0
| 本文作者： 林立宏 | 2017-06-14 16:25 |
雷鋒網按：本文節(jié)選自 SAS 首席科學家李惠(Hui Li) 的博文，閱讀全文請點此（英文）。雷鋒網林立宏、張東紅編譯。
本文面向的是入門到中級的數(shù)據(jù)科學家，或對利用機器學習算法來解決問題感興趣的數(shù)據(jù)分析師。
面對各種各樣的機器學習算法——“我應該用哪一個？”，是一名初學者經常遇到的問題。問題的答案，取決于許多因素，包括：
數(shù)據(jù)的大小，質量和性質
可用的計算時間
任務的緊迫性
你想對數(shù)據(jù)做什么
即便是經驗豐富的數(shù)據(jù)科學家，也無法在嘗試各種算法之前，判斷出哪種算法的效果最好。在這里，我并不是忽悠大家要一步到位。我的意思是，要根據(jù)明確的因素，搞清楚應該優(yōu)先嘗試哪些算法。
機器學習算法速查表
該流程圖展示了何時使用哪些算法
機器學習算法速查表，幫助你找到適合不同具體問題的算法。本文將引導你如何使用速查表。
該速查表專為初階數(shù)據(jù)科學家和分析師設計。因而在討論算法時，我們將對假設做一些簡化。
這里推薦的算法，來自于多位數(shù)據(jù)科學家、機器學習專家的編譯反饋和提示。 有幾個問題我們還沒有達成一致，對于這些問題，我們試圖突出共同點，調和差異。
當我們的庫在將來更加完整，包含更多可用方法時，將會添加額外的算法。
對圖表上的路徑和算法標簽，看作“如果 <路徑標簽> 就使用 <算法>”。例如：
如果要降維，就使用主成分分析。
如果需要快速的數(shù)字預測，就用決策樹或邏輯回歸。
如果需要分層結果，就使用層次聚類。
有時候，適用的分支有多個，其他時候完美適用的一個也沒有。 重要的是記住：這些路徑僅僅是經驗總結，有的建議并不準確。 我聊過的幾位數(shù)據(jù)科學家都說，找到最佳算法的唯一方法，就是嘗試所有的算法。
本節(jié)將對最常見的機器學習算法類型，做個概述。 如果您對這些類別很熟悉，可以跳過本節(jié)到下面的“何時使用特定算法”。
監(jiān)督學習算法會根據(jù)樣例集做預測。 例如，可以使用歷史銷售預估將來價格。 在監(jiān)督學習中，有標記過的訓練數(shù)據(jù)組成的輸入變量，以及輸出變量。 你用算法來分析訓練數(shù)據(jù)，學習從輸入映射到輸出的函數(shù)。這個預測函數(shù)通過從訓練數(shù)據(jù)中進行歸納，對新的未知的樣本建立映射，來預測未知情況下的結果。
分類：當數(shù)據(jù)用于預測分類變量時，監(jiān)督學習也稱為分類。 圖像處理中經典的貓狗識別：根據(jù)圖像內容，向圖片分配"狗"或"貓"標簽就是這種案例。 當只有兩個標簽時，這被稱為二進制分類。 當有兩類以上時，這些問題被稱為多類分類。
回歸：當預測連續(xù)值時，問題就成為了一個回歸問題。
預測：根據(jù)過去和現(xiàn)在的數(shù)據(jù)，對未來進行預測。 最常被用來分析趨勢。 一個常見的例子可能是根據(jù)今年和前幾年的銷售情況估計下一年的銷售額。
監(jiān)督學習的困難在于，標注數(shù)據(jù)非常昂貴、費時。如果標注數(shù)據(jù)有限，可以使用未標注數(shù)據(jù)來加強監(jiān)督學習。在這種情況下機器不是完全監(jiān)督的，我們就稱是半監(jiān)督。通過半監(jiān)督學習，可以使用未標注數(shù)據(jù)和少量的標注數(shù)據(jù)來提高學習的準確性。
進行無監(jiān)督學習時，機器僅使用未標注數(shù)據(jù)。目標是發(fā)現(xiàn)數(shù)據(jù)中的內在模式，比如聚類結構，一個低維的流形（manifold），或者一個稀疏樹和圖。
聚類：對一組數(shù)據(jù)進行分組，使得同一組（或一類）中的數(shù)據(jù)比其他組中的數(shù)據(jù)更加相似（根據(jù)一些規(guī)則）。這通常用來將整個數(shù)據(jù)集劃分成幾個數(shù)據(jù)組。在每個數(shù)據(jù)組中進行分析，能幫助用戶找到內在的關聯(lián)。
降維：減少約束條件下的變量數(shù)量。在許多應用中，原始數(shù)據(jù)特征維度特別高，并且一些特征是冗余的、或者和結果無關。降維能夠幫助找到正確的潛在關聯(lián)。
增強學習基于環(huán)境反饋，分析并優(yōu)化代理的行為。機器會嘗試不同場景，找出產生最大的收益的行為，不需要被告知做什么。試錯和延時獎勵，是增強學習和其他技術的主要區(qū)別。
選擇一個算法時，通常要考慮這三個方面：準確性，訓練時間和易用性。許多人將準確性放在首位，但是初學者傾向于選擇他們最了解的算法。
當拿到一個數(shù)據(jù)集時，首先要考慮的是如何獲取結果，不管這些結果可能看起來是什么樣子的。初學者傾向于選擇容易實現(xiàn)并且能夠快速得到結果的算法。這種做法是可取的，因為這只是第一步工作。一旦你得到了一些結果并且熟悉了這些數(shù)據(jù)，你可以會花費更多時間、使用更加復雜的算法來增強你對這些數(shù)據(jù)的理解，來進一步改進結果。
即使在這種情況下，最好的算法，可能并不是有最高準確率的方法，因為一個算法通常需要仔細的調參和大量訓練才能達到它的最優(yōu)性能。
（雷鋒網更多請訪問原文地址）
via SAS
相關文章：
隨機機器學習算法需要試驗多少次，才足以客觀有效的反映模型性能？
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
