
機(jī)器學(xué)習(xí)既是藝術(shù)又是科學(xué)。但當(dāng)您查看機(jī)器學(xué)習(xí)算法時(shí),沒有一種解決方案或一種適合所有情況的算法。有幾個(gè)因素會(huì)影響您選擇哪種機(jī)器學(xué)習(xí)。
有些問題非常具體,需要采取獨(dú)特的方法。例如,如果您使用推薦系統(tǒng),這是一種非常常見的機(jī)器學(xué)習(xí)算法,解決的是非常具體的問題。而其他問題非常開放,則需要試錯(cuò)的方法去解決。監(jiān)督學(xué)習(xí)、分類和回歸都是非常開放的。它們可以用于異常檢測(cè),或者用來打造更通用的預(yù)測(cè)模型。。
我們?cè)谶x擇機(jī)器學(xué)習(xí)算法時(shí)所做的一些決定,更多地取決于商業(yè)決策,而不是優(yōu)化或者算法的技術(shù)面。在下文中,我們將討論有助于縮小機(jī)器學(xué)習(xí)算法選擇范圍的一些因素。
在開始審視不同的機(jī)器學(xué)習(xí)算法之前,你必須對(duì)你的數(shù)據(jù)、面臨的問題和局限有一個(gè)清晰的認(rèn)識(shí)。
在決定使用哪種算法時(shí),必須考慮數(shù)據(jù)的類型和種類。一些算法只需要少量樣本,另一些則需要大量樣本。某些算法只能處理特定類型的數(shù)據(jù)。例如,樸素貝葉斯算法與分類數(shù)據(jù)相得益彰,但對(duì)缺失數(shù)據(jù)完全不敏感。
因此,您需要:
了解數(shù)據(jù)
清理數(shù)據(jù)
3.數(shù)據(jù)是否需要匯總
增強(qiáng)數(shù)據(jù)
2.不同的模型可能對(duì)特征工程有不同的要求。一些要求已經(jīng)內(nèi)置到特征工程中。
下一步是對(duì)問題進(jìn)行歸類。這分兩步。
2.按輸出數(shù)據(jù)分類。
你已經(jīng)對(duì)自己的處境有了一個(gè)清晰的認(rèn)識(shí),接下來是識(shí)別適用的、利用手中工具可以實(shí)際執(zhí)行的算法。影響模型選擇的因素包括:
影響算法選擇的一個(gè)重要標(biāo)準(zhǔn)是模型的復(fù)雜性。一般來說,更復(fù)雜的模型:
此外,同一種機(jī)器學(xué)習(xí)算法會(huì)因?yàn)閰?shù)的數(shù)量或者對(duì)某些超參數(shù)的選擇而變得更加復(fù)雜。例如:
使同一算法更復(fù)雜,這會(huì)增加過擬合的幾率。
這可能是最簡單的機(jī)器學(xué)習(xí)算法。當(dāng)你想計(jì)算某個(gè)連續(xù)值的時(shí)候,可以使用回歸算法,而分類算法的輸出數(shù)據(jù)是類。所以,每當(dāng)你要預(yù)測(cè)一個(gè)正在進(jìn)行當(dāng)中的過程的某個(gè)未來值時(shí),你可以使用回歸算法。但線性回歸在特征冗余(也就是存在多重共線性)的情況下會(huì)不穩(wěn)定。
線性回歸的幾個(gè)用例:
邏輯回歸進(jìn)行二元分類,所以輸出數(shù)據(jù)是二元的。這種算法把非線性函數(shù)(sigmoid)應(yīng)用于特征的線性組合,所以它是一個(gè)非常小的神經(jīng)網(wǎng)絡(luò)實(shí)例。
邏輯回歸提供了模型正則化的很多方法,不必?fù)?dān)心特征是否相關(guān),就像使用樸素貝葉斯算法的時(shí)候一樣。與決策樹和支持向量機(jī)相比,邏輯回歸提供了出色的概率解釋,能輕易地用新數(shù)據(jù)來更新模型。如果想建立一個(gè)概率框架,或者希望以后將更多的訓(xùn)練數(shù)據(jù)迅速整合到模型中,可以使用邏輯回歸。這種算法還能幫助你了解預(yù)測(cè)背后的貢獻(xiàn)因素,不是一種黑箱方法。
邏輯回歸的幾個(gè)用例:
人們很少使用單一的決策樹,但與其他很多決策樹結(jié)合起來,就能變成非常有效的算法,比如隨機(jī)森林和梯度提升樹。
**決策樹可以輕松地處理特征的交互關(guān)系,并且是非參數(shù)化的,所以不必?fù)?dān)心離群值或者數(shù)據(jù)是否線性可分。**缺點(diǎn)是不支持在線學(xué)習(xí),所以在新樣本到來時(shí),必須重建決策樹。另一個(gè)缺點(diǎn)是容易過擬合,但隨機(jī)森林和提升樹等集成方法可以克服這一缺點(diǎn)。決策樹還會(huì)占用很多內(nèi)存(特征越多,決策樹就可能越深、越大)。
決策樹是幫助你在幾個(gè)行動(dòng)方案之間作出選擇的出色工具。
K-means
有時(shí),你不知道任何標(biāo)簽,你的目標(biāo)是根據(jù)對(duì)象的特征賦予標(biāo)簽。這被稱為聚類任務(wù)。聚類算法的一個(gè)用例是根據(jù)某些共同屬性,將一大群用戶分組。
如果在你的問題陳述中,存在“這是如何組織的”等疑問,或者要求將某物分組或聚焦于特定的組,那么你應(yīng)該采用聚類算法。
K-Means的最大缺點(diǎn),在于必須事先知道你的數(shù)據(jù)中將有多少個(gè)簇。因此,這可能需要進(jìn)行很多的嘗試,來“猜測(cè)”簇的最佳K值。
主成分分析(PCA)
PCA能降維。有時(shí),數(shù)據(jù)的特征很廣泛,可能彼此高度相關(guān),在數(shù)據(jù)量大的情況下,模型容易過擬合。這時(shí)可以使用PCA。
PCA大受歡迎的一個(gè)關(guān)鍵,在于除了樣本的低維表示以外,它還提供了變量的同步低維表示。同步的樣本和變量表示提供了以可視方式尋找一組樣本的特征變量。
SVM是一種監(jiān)督學(xué)習(xí)方法,被廣泛用于模式識(shí)別和分類問題(前提是數(shù)據(jù)只有兩類)。
SVM的優(yōu)點(diǎn)是精度高,對(duì)避免過擬合有很好的理論保障,而且只要有了適當(dāng)?shù)暮撕瘮?shù),哪怕數(shù)據(jù)在基本特征空間中不是線性可分的,SVM也能運(yùn)行良好。在解決高維空間是常態(tài)的文本分類問題時(shí),SVM特別受歡迎。SVM的缺點(diǎn)是消耗大量內(nèi)存、難以解釋和不易調(diào)參。
SVM在現(xiàn)實(shí)中的幾個(gè)應(yīng)用:
這是一種基于貝葉斯定理的分類方法,很容易構(gòu)建,對(duì)大數(shù)據(jù)集特別有用。除了具有簡單的優(yōu)點(diǎn)以外,樸素貝葉斯甚至好于某些高度復(fù)雜的分類方法。在CPU和內(nèi)存資源是限制因素的情況下,樸素貝葉斯也是很好的選擇。
樸素貝葉斯超級(jí)簡單,只需要做些算術(shù)即可。如果樸素貝葉斯關(guān)于條件獨(dú)立的假設(shè)確實(shí)成立,那么樸素貝葉斯分類器將比邏輯回歸等判別模型更快地收斂,因此你需要的訓(xùn)練數(shù)據(jù)更少。即使假設(shè)不成立,樸素貝葉斯分類器在實(shí)踐中仍然常常表現(xiàn)不俗。如果你需要的是快速簡單且表現(xiàn)出色,樸素貝葉斯將是不錯(cuò)的選擇。其主要缺點(diǎn)是學(xué)習(xí)不了特征間的交互關(guān)系。
樸素貝葉斯在現(xiàn)實(shí)中的幾個(gè)應(yīng)用:
隨機(jī)森林包含多顆決策樹。它能解決擁有大數(shù)據(jù)集的回歸和分類問題,還有助于從眾多的輸入變量中識(shí)別最重要的變量。隨機(jī)森林可擴(kuò)展到任意維數(shù),其表現(xiàn)通常是可接受的。遺傳算法可擴(kuò)展到任何維度以及對(duì)數(shù)據(jù)本身知之甚少的任何數(shù)據(jù),微生物遺傳算法實(shí)現(xiàn)起來代價(jià)最低、最簡單。但隨機(jī)森林的學(xué)習(xí)速度可能很慢(取決于參數(shù)化),而且不可能迭代地改進(jìn)生成模型。
隨機(jī)森林在現(xiàn)實(shí)中的幾個(gè)應(yīng)用:
神經(jīng)網(wǎng)絡(luò)包含神經(jīng)元之間的連接權(quán)重。權(quán)重是平衡的,在學(xué)習(xí)數(shù)據(jù)點(diǎn)后繼續(xù)學(xué)習(xí)數(shù)據(jù)點(diǎn)。所有權(quán)重被訓(xùn)練后,神經(jīng)網(wǎng)絡(luò)可以用來預(yù)測(cè)類或者量,如果發(fā)生了一個(gè)新的輸入數(shù)據(jù)點(diǎn)的回歸。用神經(jīng)網(wǎng)絡(luò)可以訓(xùn)練極其復(fù)雜的模型,它們能作為黑箱,不必在訓(xùn)練模型之前進(jìn)行不可預(yù)測(cè)的、復(fù)雜的特征工程。再加上“深度方法”,即便是更加不可預(yù)測(cè)的模型也能被用來實(shí)現(xiàn)新的可能性。例如,利用深度神經(jīng)網(wǎng)絡(luò),對(duì)象識(shí)別近期取得巨大進(jìn)步。應(yīng)用于非監(jiān)督學(xué)習(xí)任務(wù),比如特征提取,深度學(xué)習(xí)還能從原始圖像或語音中提取特征,不需要太多的人類干預(yù)。
另一方面,神經(jīng)網(wǎng)絡(luò)非常難以解釋說明,參數(shù)化極其令人頭疼,而且非常耗費(fèi)資源和內(nèi)存。
Scikit速查表
scikit-learn提供了一張非常深入、清晰易懂的流程圖,幫助你選擇適當(dāng)?shù)乃惴?,用起來非常方便?
總結(jié)
通常來說,你可以參考以上內(nèi)容,縮小算法選擇的范圍,但一開始很難知道哪個(gè)算法最適合你。最好是迭代篩選。把你的數(shù)據(jù)輸入你認(rèn)為可能是佳選擇的機(jī)器學(xué)習(xí)算法,并行或依次運(yùn)行這些算法,最后評(píng)估算法的表現(xiàn),選出最好的那個(gè)。
最后,為現(xiàn)實(shí)問題設(shè)計(jì)恰當(dāng)?shù)慕鉀Q方案不僅僅是一個(gè)應(yīng)用數(shù)學(xué)問題,還需要考慮商業(yè)需求、規(guī)章制度、利益相關(guān)者的關(guān)切和相當(dāng)多的專業(yè)知識(shí)。在解決一個(gè)機(jī)器問題時(shí),結(jié)合和平衡這幾個(gè)方面至關(guān)重要。能做到這一點(diǎn)的人才能創(chuàng)造最大的價(jià)值。
原文鏈接:https://hackernoon.com/choosing-the-right-machine-learning-algorithm-68126944ce1f
數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報(bào)考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計(jì)的實(shí)用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強(qiáng)大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實(shí)施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價(jià)值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時(shí)代,BI ...
2025-07-10SQL 在預(yù)測(cè)分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢(shì)預(yù)判? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代,預(yù)測(cè)分析作為挖掘數(shù)據(jù)潛在價(jià)值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價(jià)值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點(diǎn),而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報(bào)考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢(shì)性檢驗(yàn):捕捉數(shù)據(jù)背后的時(shí)間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢(shì)性檢驗(yàn)如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時(shí)間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時(shí)間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實(shí)戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗(yàn):數(shù)據(jù)趨勢(shì)與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢(shì)變化以及識(shí)別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認(rèn)證作為國內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對(duì)策略? 長短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨(dú)特的門控機(jī)制,在 ...
2025-07-07統(tǒng)計(jì)學(xué)方法在市場(chǎng)調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場(chǎng)調(diào)研是企業(yè)洞察市場(chǎng)動(dòng)態(tài)、了解消費(fèi)者需求的重要途徑,而統(tǒng)計(jì)學(xué)方法則是市場(chǎng)調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動(dòng)力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準(zhǔn)確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動(dòng)力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價(jià)值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03