ITPub博客

首页 > 人工智能 > 机器学习 > 我应该使用哪种机器学习算法?- KDnuggets

我应该使用哪种机器学习算法?- KDnuggets

机器学习 作者:ITPUB社群 时间:1970-01-01 08:33:46 0 删除 编辑

初学者在面对各种各样的机器学习算法时,通常会问的一个典型问题是“我应该使用哪种算法?”这个问题的答案取决于许多因素,包括数据的规模、质量和性质,可用的计算时间等等。

作者:Hui Li,SAS 首席科学家。

本资源主要面向有兴趣识别和应用机器学习算法来解决其关注问题的初级到中级数据科学家或分析师。

初学者在面对各种各样的机器学习算法时,通常会问的一个典型问题是“我应该使用哪种算法?”这个问题的答案取决于许多因素,包括:

  • 数据的规模、质量和性质。

  • 可用的计算时间。

  • 任务的紧迫性。

  • 你想用数据做什么。

即使是经验丰富的数据科学家,在尝试不同算法之前也无法判断哪种算法表现最佳。我们并不提倡一次性完成的方法,但我们确实希望根据一些明确的因素,就首先应该尝试哪些算法提供一些指导。

机器学习算法速查表

机器学习算法速查表可帮助您从各种机器学习算法中进行选择,以找到适合您特定问题的算法。本文引导您了解如何使用该速查表。

由于该速查表是为初级数据科学家和分析师设计的,因此在讨论算法时我们将做出一些简化的假设。

此处推荐的算法源自多位数据科学家、机器学习专家和开发者的反馈与建议汇总。有几个问题我们尚未达成一致,对于这些问题,我们试图突出共性并调和分歧。

随着我们的库不断扩展以涵盖更完整的可用方法集,后续将添加更多算法。

如何使用速查表

将图表上的路径和算法标签解读为“如果

  • 如果你想执行降维,则使用主成分分析。

  • 如果你需要快速进行数值预测,则使用决策树或逻辑回归。

  • 如果你需要层次化结果,则使用层次聚类。

有时会有多个分支适用,而其他时候可能没有一个能完美匹配。重要的是要记住,这些路径旨在作为经验法则建议,因此其中一些建议并不完全精确。与我交谈过的几位数据科学家表示,找到最佳算法的唯一可靠方法就是尝试所有算法。

机器学习算法的类型

本节概述了最流行的机器学习类型。如果你熟悉这些类别并希望继续讨论具体算法,可以跳过本节,直接转到下面的“何时使用特定算法”。

监督学习

监督学习算法基于一组示例进行预测。例如,历史销售数据可用于估计未来价格。在监督学习中,你有一个由带标签的训练数据组成的输入变量和一个期望的输出变量。你使用算法分析训练数据,以学习将输入映射到输出的函数。这个推断出的函数通过从训练数据中泛化来映射新的、未知的示例,以预测未见情况下的结果。

  • 分类:当数据用于预测分类变量时,监督学习也称为分类。这种情况适用于为图像分配标签或指示符,例如狗或猫。当只有两个标签时,称为二分类。当有两个以上类别时,问题称为多类分类。

  • 回归:当预测连续值时,问题变为回归问题。

  • 预测:这是基于过去和现在数据对未来进行预测的过程。它最常用于分析趋势。一个常见的例子可能是基于当年和往年的销售额估计下一年的销售额。

半监督学习

监督学习的挑战在于标注数据可能既昂贵又耗时。如果标签有限,你可以使用未标记的示例来增强监督学习。由于在这种情况下机器并非完全监督,我们说机器是半监督的。在半监督学习中,你使用未标记的示例和少量标记数据来提高学习准确性。

无监督学习

在执行无监督学习时,机器面对的是完全未标注的数据。它被要求发现数据背后的内在模式,例如聚类结构、低维流形,或稀疏树与图。

  • 聚类:将一组数据样本分组,使得同一组(或同一簇)中的样本比其他组中的样本更相似(根据某些标准)。这通常用于将整个数据集划分为若干组。可以在每个组中进行分析,以帮助用户发现内在模式。

  • 降维:减少需要考虑的变量数量。在许多应用中,原始数据具有非常高维的特征,而某些特征与任务冗余或不相关。降低维度有助于找到真实的潜在关系。

强化学习

强化学习基于来自环境的反馈来分析和优化智能体的行为。机器尝试不同的场景以发现哪些动作能带来最大奖励,而不是被告知该采取哪些动作。试错和延迟奖励将强化学习与其他技术区分开来。

选择算法时的考虑因素

选择算法时,始终要考虑这些方面:准确率、训练时间和易用性。许多用户将准确率放在首位,而初学者往往专注于他们最熟悉的算法。

面对一个数据集时,首先要考虑的是如何获得结果,无论这些结果可能是什么样子。初学者倾向于选择易于实现且能快速获得结果的算法。只要这只是过程中的第一步,这样做就没问题。一旦你获得了一些结果并熟悉了数据,你可能会花更多时间使用更复杂的算法来加深对数据的理解,从而进一步改进结果。

即使在这个阶段,最佳算法也可能不是那些已取得最高报告准确率的方法,因为算法通常需要仔细调参和大量训练才能达到其最佳可实现性能。

何时使用特定算法

更仔细地研究各个算法可以帮助你理解它们提供什么以及如何使用它们。这些描述提供了更多细节,并给出了何时使用特定算法的额外提示,与速查表保持一致。

有关算法及其使用考虑的完整论述,请参阅 SAS 网站上的完整文章。

简介:Hui Li 是 SAS 数据科学技术部的首席员工科学家。她目前的工作重点是 SAS Viya 中的深度学习、认知计算和 SAS 推荐系统。她在杜克大学获得电气与计算机工程博士学位和硕士学位。加入 SAS 之前,她曾在杜克大学担任研究科学家,并在 Signal Innovation Group, Inc. 担任研究工程师。她的研究兴趣包括面向大规模异构数据的机器学习、协同过滤推荐、贝叶斯统计建模和强化学习。



转载声明:本文为转载整理,原文版权归原作者及原站点所有。

原文来源:KDnuggets

原创地址:https://www.kdnuggets.com/2017/06/which-machine-learning-algorithm.html#comment-185763

原文作者:https://www.facebook.com/kdnuggets;如有侵权,请联系管理员删除。

请登录后发表评论 登录
全部评论

注册时间:2022-11-21

  • 博文量
    1307
  • 访问量
    574131