新手必备！十大机器学习算法之旅已启程

　　【资讯】在呆板进修中，有一种叫做“没有免费的午餐”的定理。简而言之，它指出没有任何一种算法可以或许合用每一个题目，并且它对付监视式进修（即猜测性建模）尤其重要。

　　譬喻，你不能说神经收集老是比决定树好，反之亦然。有许多身分在起浸染，好比数据集的巨细和布局。

　　因此，你应该为你的题目实行很多差异的算法，同时行使数据的“测试集”来评估机能并选择胜出者。

　　虽然，你实行的算法必需得当你的题目，这就是选择正确的呆板进修使命的处所。打一个例如，假如你必要整理你的屋子，你可以行使真空吸尘器、扫帚或拖把，可是你不会用一个铲子来发掘。

　　大的原则

　　然而，有一个配合的原则，即全部监视呆板进修算法猜测建模的基本。

　　呆板进修算法被描写为进修一个方针函数，将输入变量（X）最佳映射到输出变量（Y）的方针函数（f）：Y = f（X）

　　这是一个通用的进修使命，我们但愿在将来（Y）给出猜测输入变量（X）的新例子。我们不知道函数（f）是什么样子或是它的情势。假如这样做，我们会直接行使它，不必要行使呆板进修算法从数据中进修它。

　　最常见的呆板进修范例是进修映射Y = f（X）来猜测新的X。这被称为猜测建模或猜测说明，我们的方针是使最精确的猜测成为也许。

　　对付盼愿相识呆板进修基本常识的呆板进修新手，请赏识数据科学家行使的前10位的呆板进修算法。

　　1 - 线性回归

　　线性回归也许是统计学和呆板进修中最知名和最易领略的算法之一。

　　猜测建模首要存眷最小化模子的偏差可能以可表明性为价钱来做出最精确的猜测。我们将借用、重用和窃取包罗统计数据在内的很多差异规模的算法，并将其用于这些目标。

　　线性回归的暗示是一个方程，通过找到称为系数（B）的输入变量的特定权重来描写最得当输入变量（x）和输出变量（y）之间相关的线。

　　譬喻：y = B0 + B1 * x

　　给定输入x，我们将猜测y，线性回归进修算法的方针是找到系数B0和B1的值。

　　可以行使差异的技能从数据中进修线性回归模子，譬喻用于平凡最小二乘和梯度降落优化的线性代数解。

　　线性回归已经存在了200多年，而且已经被普及研究。假如也许的话，行使这种技能的一些履历法例是去除很是相似的变量（相干），并从数据中去除噪声。这是一个快速和简朴的技能，也是一个好的算法。

　　2 - Logistic回归

　　逻辑回归是呆板进修从统计规模小心的另一种技能。这是二进制分类题目的首选要领（有两个类值的题目）。

　　逻辑回归就像线性回归，由于方针是找出加权每个输入变量的系数值。与线性回归差异，输出的猜测行使称为逻辑函数的非线性函数举办调动。

　　逻辑函数看起来像一个大S，并将任何值转换为0到1的范畴。这是有效的，由于我们可以将法则应用到逻辑函数的输出，将值捕设为0和1（譬喻，IF小于0.5，则输出1）并猜测一个种别值。

　　因为模子的进修方法，逻辑回归的猜测也可以作为一个给定命据实例的概率，属于第0类或第1类。这对付必要为猜测提供更多来由的题目很有效。

　　像线性回归一样，逻辑回归在删除与输出变量无关的属性以及很是相似（相干）的属性时结果更好。对付二元分类题目，这是一个快速进修和且有用的二元分类题目的模子。

　　3 - 线性鉴别说明

　　Logistic回归是传统上仅限于两类分类题目的分类算法。假如你有两个以上的类，那么，线性鉴别说明算法是首选的线性分类技能。

　　LDA的暗示很是简朴。它由你的数据统计属性构成，为每个种别计较。对付单个输入变量，这包罗：

　　·在全部类上钩较的方差

　　·线性鉴别说明

　　猜测是通过计较每个类此外辨认值并对具有最大值的种别举办猜测来举办的。该技能假定命据具有高斯漫衍（钟形曲线），因此在手之前从数据中移除非常值是个好主意。这是一个简朴而强盛的分类猜测建模题目的要领。

　　4 - 分类和回归树

　　决定树是呆板进修猜测建模的重要算法。

　　决定示范子的暗示是二叉树，来自算法和数据布局，没什么出格的。每个节点代表一个单独的输入变量（x）和该变量上的一个拆分点（假定变量是数值）。

　　树的叶节点包括用于举办猜测的输出变量（y）。猜测是通过遍历树的破碎举办的，直到达到叶节点并输出该叶节点的类值。

　　树的进修速率快，猜测速率快。对付普及的题目，它们也常常是精确的，不必要为你的数据做任何出格筹备。

　　5 - 朴实贝叶斯

　　朴实贝叶斯是一个简朴但又强盛的猜测建模算法。

　　该模子由两种概率构成，可以从你的实习数据中直接计较：1）每个类此外概率;和2）给定每个x值的每个类此外前提概率。一旦计较出来，就可以行使概率模子来行使贝叶斯定理对新数据举办猜测。当你的数据是实值时，凡是假定一个高斯漫衍（钟形曲线），这样你可以很轻易地预计这些概率。

　　朴实贝叶斯假定每个输入变量是独立的，这是一个强盛的假设，对付真实的数据是不切现实的，可是，这种技能在大范畴的伟大题目上长短常有用的。

　　6-K-近邻算法

　　KNN算法很是简朴并且很是有用。 KNN的模子暗示是整个实习数据集，较量简朴。

　　通过搜刮K个最相似的实例（邻人）的整个实习集而且汇总这些K个实例的输出变量来猜测新的数据点。对付回归题目，这也许是均匀输出变量，对付分类题目，这也许是模式（或最常见的）类值。

　　诀窍在于怎样确定命据实例之间的相似性。最简朴的要领就是就是行使Euclidean间隔，你可以按照每个输入变量之间的差别直接计较一个数字。

　　KNN也许必要大量的内存或空间来存储全部的数据，可是只有在必要猜测时才会执行计较（或进修）。你也可以随时更新和打点你的实习实例，以保持猜测的精确性。

　　间隔或贴近度的观念也许在很是高的维度（大量的输入变量）中解析，这会对算法在你的题目上的机能发生负面影响。它提议你只行使那些与猜测输出变量最相干的输入变量。

　　7 - 进修矢量量化

　　KNN的一个弱点是你必要僵持你的整个实习数据集，进修矢量量化算法（简称LVQ）是一种人工神经收集算法，可以让你选择几多个实习实例，并准确地进修这些实例应该是什么样的。

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!