干貨 | 上手機器學習，從搞懂這十大經(jīng)典算法開始

在機器學習領域，“沒有免費的午餐”是一個不變的定理。簡而言之，沒有一種算法是完美的，可以作為任何問題的最佳解決方案。認清這一點，對于解決監(jiān)督學習問題（如預測建模問題）尤其重要。

我們不能總說神經(jīng)網(wǎng)絡就是比決策樹好，反之亦然。影響算法性能的因素有很多，比如數(shù)據(jù)集的大小和結構。

因此，對于自己的問題，要嘗試多種不同的算法，并使用測試數(shù)據(jù)集來評估各個算法的性能，以選出效果最優(yōu)的那一個。

當然，前面所嘗試的算法必須要適合自己的問題，這也正是你要選對正確的機器學習任務的地方。比如，需要打掃房子的時候，你會使用真空吸塵器、掃帚或拖把，但絕不應該用鏟子在屋內挖坑。

重要的原則

話雖如此，但所有用于預測建模的有監(jiān)督機器學習算法卻有一個共同的原則：

機器學習算法的本質是找到一個目標函數(shù)（f），使其成為輸入變量（X）到輸出變量（Y）之間的最佳映射：Y = f（X）

這是最常見的學習任務，給定任意新的輸入變量（X），我們就能預測出輸出變量（Y）的值。因為我們不知道目標函數(shù)（f）的形式或樣子，所以才要機器去把它找出來。不然的話，我們就可以直接用目標函數(shù)來進行預測了，而非還要用機器學習算法來學習數(shù)據(jù)了。

最常見的機器學習類型就是找到最佳映射Y = f（X），并以此來預測新X所對應的Y值。這一過程被稱為預測建?；蝾A測分析，目標是盡可能到出最為準確的預測。

對于渴望理解機器學習基本概念的各位新手，我們特地整理出數(shù)據(jù)科學家最常用的十大機器學習算法，便于大家快速上手。

1- 線性回歸

線性回歸可能是統(tǒng)計學和機器學習中最為知名、最易于理解的一個算法。

預測建模主要關注的是如何最小化模型的誤差，或是如何在一個可解釋性代價的基礎上做出最為準確的預測。我們將借用、重用和竊取包括統(tǒng)計學在內的多個不同領域的算法，并將其用于這些目的。

線性回歸所表示的是描述一條直線的方程，通過輸入變量的特定權重系數(shù)（B）來找出輸入變量（x）和輸出變量（y）之間最適合的映射關系。

線性回歸

例如：y = B0 + B1 * x

給定輸入x，我們可以預測出y的值。線性回歸學習算法的目標是找到系數(shù)B0和B1的值。

找出數(shù)據(jù)的線性回歸模型有多種不同的技巧，例如將線性代數(shù)解用于普通最小二乘法和梯度下降優(yōu)化問題。

線性回歸業(yè)已存在200多年，并已被廣泛研究過。使用該算法的一些竅門，是盡可能地去除非常相似的相關變量以及數(shù)據(jù)中的噪聲。這是一個快速、簡單而又好用的算法。

2 - 邏輯回歸

邏輯回歸是機器學習借自統(tǒng)計領域的另一項技術，用于解決二元分類問題（有兩個類值的問題）。

邏輯回歸就像線性回歸，因為它的目標是找出每個輸入變量的加權系數(shù)值。與線性回歸不同的是，邏輯回歸預測輸出值的函數(shù)是非線性的，也被稱為邏輯函數(shù)。

邏輯回歸的函數(shù)圖像看起來是一個大的S形，并將任何值轉換至0到1的區(qū)間。這種形式非常有用，因為我們可以用一個規(guī)則把邏輯函數(shù)的值轉化成0和1（例如，如果函數(shù)值小于0.5，則輸出1），從而預測類別。

邏輯回歸

基于模型學習的方式，邏輯回歸的輸出值也可以用來預測給定數(shù)據(jù)實例屬于類別0和類別1的概率。當你的預測需要更多依據(jù)時，這一點會非常有用。

跟線性回歸一樣，當你剔除與輸出變量無關或與之除非常相似（相關）的屬性后，邏輯回歸的效果會更好。對于二元分類問題，它是一個易于上手、快速而又有效的模型。

3 - 線性判別分析

一般說，邏輯回歸僅限于二元分類問題。 但如果分類類別超過兩個，線性判別分析就成為你首選的線性分類算法。

線性判別分析的表達式非常簡單。 它由數(shù)據(jù)的統(tǒng)計屬性組成，并計算每個類別的屬性值。對于單個輸入變量，它包括：

每個類別的平均值。

所有類別的方差。

線性判別分析

線性判別分析通過計算每個類別的差別值，并對擁有最大值的類別進行預測。 該方法假定數(shù)據(jù)服從高斯分布（鐘形曲線），因此預測前從數(shù)據(jù)中移除異常值會是一個很好的習慣。對于分類預測問題來說，它是一個簡單而又強大的方法。

4 - 分類和回歸樹

決策樹是用于預測建模的一種重要機器學習算法。

決策樹模型的表現(xiàn)形式為二叉樹，也就是來自算法和數(shù)據(jù)結構方面的二叉樹，沒有什么特別。樹上每個節(jié)點代表一個輸入變量（x）與一個基于該變量的分離點（假定這個變量是數(shù)字）。

決策樹

葉節(jié)點包含了用于預測的輸出變量（y）。預測是通過遍歷樹的分離點開始，直到抵達每一個葉節(jié)點，并輸出該葉節(jié)點的分類值。

決策樹算法學習起來很快，預測速度也很快。決策樹對于各種各樣的問題都能做出準確的預測，并且無需對數(shù)據(jù)做任何特殊的預處理。

5 - 樸素貝葉斯

樸素貝葉斯是一種簡單而又強大的預測建模算法。

該模型由兩種概率組成，它們都能從訓練數(shù)據(jù)中直接計算出來：1）每個類別的概率; 2）對于給定的x值，每個類別的條件概率。 一旦計算出來，概率模型就可以用于使用貝葉斯定理對新的數(shù)據(jù)進行預測。 當你的數(shù)據(jù)是實值時，通常會假定一個高斯分布（鐘形曲線），這樣你就很容易計算出這些數(shù)據(jù)的概率。

樸素貝葉斯

樸素貝葉斯假定每個輸入變量都是獨立，所以被稱為“樸素的”。這是一個強假設，對真實數(shù)據(jù)而言有點不切實際，但該方法在大范圍的復雜問題上非常有效。

6 - K-最近鄰算法

K-最近鄰算法是一種非常簡單和有效。它的模型所表示是整個訓練數(shù)據(jù)集，看上去很簡單，對吧？

對于給定的訓練數(shù)據(jù)，通過搜索整個數(shù)據(jù)集中K個最相似的實例（鄰居），匯總這K個實例的輸出變量可以預測新的數(shù)據(jù)點。對于回歸問題，它可能是輸出變量的平均值；對于分類問題，它可能是模式（或最常見的）類別值。

使用K-最近鄰算法的訣竅，是在于如何確定數(shù)據(jù)實例之間的相似性。最簡單的方法，如果你的屬性在歐幾里德距離上尺度相同（例如均以英寸為單位），那么基于每個輸入變量之間的差異，你就可以直接計算其數(shù)值來確定相似性。

K-最近鄰算法可能需要大量的內存或存儲空間來儲存所有數(shù)據(jù)，但只有在預測時才會執(zhí)行計算（或學習）。你也可以隨時更新和管理你的訓練實例，以保持預測的準確性。

距離或緊密度的概念在非常高的維度（大量的輸入變量）中可能會失效，因為輸入變量的數(shù)量對于算法性能有著很大的負面影響。這就是維度災難。這就要求你只使用那些與預測輸出變量最相關的輸入變量。

7 - 學習向量量化

K-最近鄰算法的一個缺點是你需要使用整個訓練數(shù)據(jù)集。而作為人工神經(jīng)網(wǎng)絡，學習向量量化算法（簡稱LVQ）允許你選擇訓練實例的數(shù)量，并能準確地學習這些實例所應有的特征。

學習向量量化

學習向量量化算法所表示的是碼本向量的集合。這些向量在初始化的時候隨機選擇出來，并在學習算法的多次迭代中優(yōu)化成最能概括訓練數(shù)據(jù)集的集合。在學習完成后，碼本向量可以像K-最近鄰算法一樣進行預測。通過計算每個碼本向量和新數(shù)據(jù)實例之間的距離來找到最相似的鄰居（最佳匹配碼本向量），然后返回最佳匹配單元的類別值或（在回歸情況下的實際值）作為預測。如果能重新調整數(shù)據(jù)使其處于相同的區(qū)間（如0到1之間），則可以獲得最佳的預測結果。

如果K-最近鄰算法在你的數(shù)據(jù)集上已經(jīng)給出了很好的預測結果，那么可以嘗試用學習向量量化算法來減少整個訓練數(shù)據(jù)集的內存存儲需求。

8 - 支持向量機

支持向量機可能是最受歡迎、討論最為廣泛的機器學習算法之一。

超平面是輸入變量空間內的一條分割線。在支持向量機中，超平面可以通過類別（0類或1類）最佳分割輸入變量空間。在二維空間內，超平面可被視為一條線，我們假設所有的輸入點都可以被該線完全分開。支持向量機的目標是找到一個分離系數(shù)，讓一個超平面能夠對不同類別的數(shù)據(jù)進行最佳分割。

支持向量機

超平面與最近的數(shù)據(jù)點之間的距離被稱為邊距。在分離兩個類上具有最大邊距的超平面被稱為最佳超平面。超平面的確定只跟這些點及分類器的構造有關。這些點被稱為支持向量，它們支持并定義超平面。在實踐中，可以使用優(yōu)化算法來找到能夠最大化邊距的系數(shù)。

支持向量機可能是最為強大的“開箱即用”分類器之一，值得你嘗試。

9 - bagging算法和隨機森林

隨機森林是最流行、最強大的機器學習算法之一。它是一種被稱為Bootstrap Aggregation或Bagging的機器學習集成算法。

Bootstrap是一種從數(shù)據(jù)樣本中估算數(shù)量的強大統(tǒng)計方法。換句話說，你需要抽取大量的數(shù)據(jù)樣本、計算平均值，然后再計算所有均值的平均，以便更好地估計整體樣本的真實平均值。

bagging算法也使用相同的方式，但用于估計整個統(tǒng)計模型的最常見方法是決策樹。訓練數(shù)據(jù)中的多個樣本將被取樣，然后對每個數(shù)據(jù)樣本建模。對新數(shù)據(jù)進行預測時，每個模型都會進行預測，并對每個預測結果進行平均，以更好地估計真實的輸出值。

隨機森林

隨機森林是對bagging算法的一種調整，它不是選擇最佳分割點來創(chuàng)建決策樹，而是通過引入隨機性來得到次優(yōu)分割點。

因此，針對每個數(shù)據(jù)樣本所創(chuàng)建的模型，會與其他方式有所不同，但仍能以其獨特和不同的方式準確預測。結合所有模型的預測，可以更好地估計潛在的真實輸出。

如果用方差較高的算法（如決策樹）能夠獲得較好的結果，那么通過bagging算法通常可以獲得更好的結果。

10 - Boosting和AdaBoost算法

Boosting是一項從多個弱分類器中構建強分類器的集成預測技術。它從訓練數(shù)據(jù)中構建模型，然后通過修正前一個模型的錯誤創(chuàng)造出第二個模型。以此類推，模型不斷疊加，直至能夠完美預測訓練數(shù)據(jù)集，或達到可添加的模型的數(shù)量上限。

在針對二元分類所開發(fā)的boosting算法中，AdaBoost是第一個成功的。它是理解boosting算法的最佳起點?，F(xiàn)代boosting方法基于AdaBoost而構建，最典型的例子是隨機梯度加速器。

通常，AdaBoost算法與決策樹一起工作。第一個決策樹創(chuàng)建后，決策樹在每個訓練實例上的性能，都被用來衡量下一個決策樹針對該實例所應分配的關注程度。難以預測的訓練數(shù)據(jù)被賦予更大的權重，而容易預測的數(shù)據(jù)則被賦予更小的權重。模型依次被創(chuàng)建，每次更新訓練實例的權重，都會影響到序列中下一個決策樹學習性能。所有決策樹完成后，即可對新輸入的數(shù)據(jù)進行預測，而每個決策樹的性能將由它在訓練數(shù)據(jù)上的準確度所決定。

由于模型注意力都集中于糾正上一個算法的錯誤，所以必須確保數(shù)據(jù)是干凈無異常的。

▌ 最后的建議

初學者常常會被眼花繚亂的機器學習算法所困擾，提出“我該使用哪種算法？”這樣的問題。

此問題的答案取決于許多因素，包括：

（1）數(shù)據(jù)的大小、質量和性質;

（2）可用的計算時間;

（3）任務的緊迫性;

（4）你想要用數(shù)據(jù)來做什么。

即使是一位經(jīng)驗豐富的數(shù)據(jù)科學家，在嘗試不同的算法之前，也無法回答哪種算法的性能會是最好的。機器學習的算法還有很多，但以上這些是最受歡迎的算法。如果你剛入門機器學習，這將是一個很好的學習起點。