0
雷鋒網(wǎng) AI 科技評論按：在神經(jīng)網(wǎng)絡(luò)的成功的帶動下，越來越多的研究人員和開發(fā)人員都開始重新審視機器學習，開始嘗試用某些機器學習方法自動解決可以輕松采集數(shù)據(jù)的問題。然而，在眾多的機器學習算法中，哪些是又上手快捷又功能強大、適合新手學習的呢？Towards Data Science 上一篇文章就介紹了十種新手必看的機器學習算法，雷鋒網(wǎng) AI 科技評論全文編譯如下。
機器學習領(lǐng)域有一條“沒有免費的午餐”定理。簡單解釋下的話，它是說沒有任何一種算法能夠適用于所有問題，特別是在監(jiān)督學習中。
例如，你不能說神經(jīng)網(wǎng)絡(luò)就一定比決策樹好，反之亦然。要判斷算法優(yōu)劣，數(shù)據(jù)集的大小和結(jié)構(gòu)等眾多因素都至關(guān)重要。所以，你應(yīng)該針對你的問題嘗試不同的算法。然后使用保留的測試集對性能進行評估，選出較好的算法。
當然，算法必須適合于你的問題。就比如說，如果你想清掃你的房子，你需要吸塵器，掃帚，拖把。而不是拿起鏟子去開始挖地。
不過，對于預測建模來說，有一條通用的原則適用于所有監(jiān)督學習算法。
機器學習算法可以描述為學習一個目標函數(shù) f，它能夠最好地映射出輸入變量 X 到輸出變量 Y。有一類普遍的學習任務(wù)。我們要根據(jù)輸入變量 X 來預測出 Y。我們不知道目標函數(shù) f 是什么樣的。如果早就知道，我們就可以直接使用它，而不需要再通過機器學習算法從數(shù)據(jù)中進行學習了。
最常見的機器學習就是學習 Y=f(X) 的映射，針對新的 X 預測 Y。這叫做預測建?；蝾A測分析。我們的目標就是讓預測更加精確。
針對希望對機器學習有個基本了解的新人來說，下面將介紹數(shù)據(jù)科學家們最常使用的 10 種機器學習算法。
線性回歸可能是統(tǒng)計和機器學習領(lǐng)域最廣為人知的算法之一。
以犧牲可解釋性為代價，預測建模的首要目標是減小模型誤差或?qū)㈩A測精度做到最佳。我們從統(tǒng)計等不同領(lǐng)域借鑒了多種算法，來達到這個目標。
線性回歸通過找到一組特定的權(quán)值，稱為系數(shù) B。通過最能符合輸入變量 x 到輸出變量 y 關(guān)系的等式所代表的線表達出來。
例如：y = B0 + B1 * x 。我們針對給出的輸入 x 來預測 y。線性回歸學習算法的目標是找到 B0 和 B1 的值。
不同的技巧可以用于線性回歸模型。比如線性代數(shù)的普通最小二乘法，以及梯度下降優(yōu)化算法。線性回歸已經(jīng)有超過 200 年的歷史，已經(jīng)被廣泛地研究。根據(jù)經(jīng)驗，這種算法可以很好地消除相似的數(shù)據(jù)，以及去除數(shù)據(jù)中的噪聲。它是快速且簡便的首選算法。
邏輯回歸是另一種從統(tǒng)計領(lǐng)域借鑒而來的機器學習算法。
與線性回歸相同。它的目的是找出每個輸入變量的對應(yīng)參數(shù)值。不同的是，預測輸出所用的變換是一個被稱作 logistic 函數(shù)的非線性函數(shù)。
logistic 函數(shù)像一個大 S。它將所有值轉(zhuǎn)換為 0 到 1 之間的數(shù)。這很有用，我們可以根據(jù)一些規(guī)則將 logistic 函數(shù)的輸出轉(zhuǎn)換為 0 或 1（比如，當小于 0.5 時則為 1）。然后以此進行分類。
正是因為模型學習的這種方式，邏輯回歸做出的預測可以被當做輸入為 0 和 1 兩個分類數(shù)據(jù)的概率值。這在一些需要給出預測合理性的問題中非常有用。
就像線性回歸，在需要移除與輸出變量無關(guān)的特征以及相似特征方面，邏輯回歸可以表現(xiàn)得很好。在處理二分類問題上，它是一個快速高效的模型。
邏輯回歸是一個二分類問題的傳統(tǒng)分類算法。如果需要進行更多的分類，線性判別分析算法（LDA）是一個更好的線性分類方法。
對 LDA 的解釋非常直接。它包括針對每一個類的輸入數(shù)據(jù)的統(tǒng)計特性。對于單一輸入變量來說包括：
類內(nèi)樣本均值
總體樣本變量
通過計算每個類的判別值，并根據(jù)最大值來進行預測。這種方法假設(shè)數(shù)據(jù)服從高斯分布（鐘形曲線）。所以它可以較好地提前去除離群值。它是針對分類模型預測問題的一種簡單有效的方法。
決策樹是機器學習預測建模的一類重要算法。
可以用二叉樹來解釋決策樹模型。這是根據(jù)算法和數(shù)據(jù)結(jié)構(gòu)建立的二叉樹，這并不難理解。每個節(jié)點代表一個輸入變量以及變量的分叉點（假設(shè)是數(shù)值變量）
樹的葉節(jié)點包括用于預測的輸出變量 y。通過樹的各分支到達葉節(jié)點，并輸出對應(yīng)葉節(jié)點的分類值。
樹可以進行快速的學習和預測。通常并不需要對數(shù)據(jù)做特殊的處理，就可以使用這個方法對多種問題得到準確的結(jié)果。
樸素貝葉斯（Naive Bayes）是一個簡單，但是異常強大的預測建模算法。
這個模型包括兩種概率。它們可以通過訓練數(shù)據(jù)直接計算得到：1）每個類的概率；2）給定 x 值情況下每個類的條件概率。根據(jù)貝葉斯定理，一旦完成計算，就可以使用概率模型針對新的數(shù)據(jù)進行預測。當你的數(shù)據(jù)為實數(shù)時，通常假設(shè)服從高斯分布（鐘形曲線）。這樣你可以很容易地預測這些概率。
之所以被稱作樸素貝葉斯，是因為我們假設(shè)每個輸入變量都是獨立的。這是一個強假設(shè)，在真實數(shù)據(jù)中幾乎是不可能的。但對于很多復雜問題，這種方法非常有效。
K 最近鄰算法（KNN）是一個非常簡單有效的算法。KNN 的模型表示就是整個訓練數(shù)據(jù)集。很簡單吧？
對于新數(shù)據(jù)點的預測則是，尋找整個訓練集中 K 個最相似的樣本（鄰居），并把這些樣本的輸出變量進行總結(jié)。對于回歸問題可能意味著平均輸出變量。對于分類問題則可能意味著類值的眾數(shù)（最常出現(xiàn)的那個值）。
訣竅是如何在數(shù)據(jù)樣本中找出相似性。最簡單的方法就是，如果你的特征都是以相同的尺度（比如說都是英寸）度量的，你就可以直接計算它們互相之間的歐式距離。
KNN 需要大量空間來存儲所有的數(shù)據(jù)。但只是在需要進行預測的時候才開始計算（學習）。你可以隨時更新并組織訓練樣本以保證預測的準確性。
在維數(shù)很高（很多輸入變量）的情況下，這種通過距離或相近程度進行判斷的方法可能失敗。這會對算法的性能產(chǎn)生負面的影響。這被稱作維度災(zāi)難。我建議你只有當輸入變量與輸出預測變量最具有關(guān)聯(lián)性的時候使用這種算法。
K 最近鄰算法的缺點是你需要存儲所有訓練數(shù)據(jù)集。而學習矢量量化（縮寫為 LVQ）是一個人工神經(jīng)網(wǎng)絡(luò)算法。它允許你選擇需要保留的訓練樣本個數(shù)，并且學習這些樣本看起來應(yīng)該具有何種模式。
LVQ 可以表示為一組碼本向量的集合。在開始的時候進行隨機選擇。通過多輪學習算法的迭代，最后得到與訓練數(shù)據(jù)集最相配的結(jié)果。通過學習，碼本向量可以像 K 最近鄰算法那樣進行預測。通過計算新數(shù)據(jù)樣本與碼本向量之間的距離找到最相似的鄰居（最符合碼本向量）。將最佳的分類值（或回歸問題中的實數(shù)值）返回作為預測值。如果你將數(shù)據(jù)調(diào)整到相同的尺度，比如 0 和 1，則可以得到最好的結(jié)果。
如果你發(fā)現(xiàn)對于你的數(shù)據(jù)集，KNN 有較好的效果，可以嘗試一下 LVQ 來減少存儲整個數(shù)據(jù)集對存儲空間的依賴。
支持向量機（SVM）可能是最常用并且最常被談到的機器學習算法。
超平面是一條劃分輸入變量空間的線。在 SVM 中，選擇一個超平面，它能最好地將輸入變量空間劃分為不同的類，要么是 0，要么是 1。在 2 維情況下，可以將它看做一根線，并假設(shè)所有輸入點都被這根線完全分開。SVM 通過學習算法，找到最能完成類劃分的超平面的一組參數(shù)。
超平面和最接近的數(shù)據(jù)點的距離看做一個差值。最好的超平面可以把所有數(shù)據(jù)劃分為兩個類，并且這個差值最大。只有這些點與超平面的定義和分類器的構(gòu)造有關(guān)。這些點被稱作支持向量。是它們定義了超平面。在實際使用中，優(yōu)化算法被用于找到一組參數(shù)值使差值達到最大。
SVM 可能是一種最為強大的分類器，它值得你一試。
隨機森林是一個常用并且最為強大的機器學習算法。它是一種集成機器學習算法，稱作自舉匯聚或 bagging。
bootstrap 是一種強大的統(tǒng)計方法，用于數(shù)據(jù)樣本的估算。比如均值。你從數(shù)據(jù)中采集很多樣本，計算均值，然后將所有均值再求平均。最終得到一個真實均值的較好的估計值。
在 bagging 中用了相似的方法。但是通常用決策樹來代替對整個統(tǒng)計模型的估計。從訓練集中采集多個樣本，針對每個樣本構(gòu)造模型。當你需要對新的數(shù)據(jù)進行預測，每個模型做一次預測，然后把預測值做平均得到真實輸出的較好的預測值。
這里的不同在于在什么地方創(chuàng)建樹，與決策樹選擇最優(yōu)分叉點不同，隨機森林通過加入隨機性從而產(chǎn)生次優(yōu)的分叉點。
每個數(shù)據(jù)樣本所創(chuàng)建的模型與其他的都不相同。但在唯一性和不同性方面仍然準確。結(jié)合這些預測結(jié)果可以更好地得到真實的輸出估計值。
如果在高方差的算法（比如決策樹）中得到較好的結(jié)果，你通常也可以通過袋裝這種算法得到更好的結(jié)果。
Boosting 是一種集成方法，通過多種弱分類器創(chuàng)建一種強分類器。它首先通過訓練數(shù)據(jù)建立一個模型，然后再建立第二個模型來修正前一個模型的誤差。在完成對訓練集完美預測之前，模型和模型的最大數(shù)量都會不斷添加。
AdaBoost 是第一種成功的針對二分類的 boosting 算法。它是理解 boosting 的最好的起點?，F(xiàn)代的 boosting 方法是建立在 AdaBoost 之上。多數(shù)都是隨機梯度 boosting 機器。
AdaBoost 與短決策樹一起使用。當?shù)谝豢脴鋭?chuàng)建之后，每個訓練樣本的樹的性能將用于決定，針對這個訓練樣本下一棵樹將給與多少關(guān)注。難于預測的訓練數(shù)據(jù)給予較大的權(quán)值，反之容易預測的樣本給予較小的權(quán)值。模型按順序被建立，每個訓練樣本權(quán)值的更新都會影響下一棵樹的學習效果。完成決策樹的建立之后，進行對新數(shù)據(jù)的預測，訓練數(shù)據(jù)的精確性決定了每棵樹的性能。
因為重點關(guān)注修正算法的錯誤，所以移除數(shù)據(jù)中的離群值非常重要。
當面對各種機器學習算法，一個新手最常問的問題是「我該使用哪個算法」。要回答這個問題需要考慮很多因素：（1）數(shù)據(jù)的大小，質(zhì)量和類型；（2）完成計算所需要的時間；（3）任務(wù)的緊迫程度；（4）你需要對數(shù)據(jù)做什么處理。
在嘗試不同算法之前，就算一個經(jīng)驗豐富的數(shù)據(jù)科學家也不可能告訴你哪種算法性能最好。雖然還有很多其他的機器學習算法，但這里列舉的是最常用的幾種。如果你是一個機器學習的新手，這幾種是最好的學習起點。
via towardsdatascience.com，雷鋒網(wǎng) AI 科技評論編譯
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
