我观察到静态和机器学习科学家在使用Python（或其他语言）时通常不会遵循ML /数据科学项目的OOPS .
主要是因为在开发用于 生产环境 的ML代码时，缺乏对oops中最佳软件工程实践的理解 . 因为他们大多来自数学和统计学教育背景而不是计算机科学 .
ML科学家开发临时原型代码和另一个软件团队使其 生产环境 就绪的日子在业界已经结束 .
Questions
-
我们如何使用OOPS为ML项目构建代码？
-
每个主要任务（如上图所示），如数据清理，特征转换，网格搜索，模型验证等都应该是一个单独的类吗？ ML推荐的代码设计实践有哪些？
-
任何好的github链接都有很好的代码供参考（可能是一个写得很好的kaggle解决方案）
-
每个像数据清理这样的类都应该为每个进程设置fit（），transform（），fit_transform（）函数，比如remove_missing（），outlier_removal（）？当这样做时，为什么scikit-learn BaseEstimator通常会被继承？
-
生产环境 中ML项目的典型配置文件结构应该是什么？
谢谢