機(jī)器學(xué)習(xí)萌新必學(xué)的Top10算法

在機(jī)器學(xué)習(xí)領(lǐng)域里，不存在一種萬能的算法可以完美解決所有問題，尤其是像預(yù)測建模的監(jiān)督學(xué)習(xí)里。

比方說，神經(jīng)網(wǎng)絡(luò)不見得比決策樹好，同樣反過來也不成立。最后的結(jié)果是有很多因素在起作用的，比方說數(shù)據(jù)集的大小以及組成。所以，針對你要解決的問題，最好是嘗試多種不同的算法。并借一個(gè)測試集來評估不同算法之間的表現(xiàn)，最后選出一個(gè)結(jié)果最好的。

當(dāng)然，你要選適合解決你問題的算法來嘗試。比方說，要打掃房子，你會用真空吸塵器，掃把，拖把；你絕對不會翻出一把鏟子來開始挖坑，對吧。不過呢，對于所有預(yù)測建模的監(jiān)督學(xué)習(xí)算法來說，還是有一些通用的底層原則的。

機(jī)器學(xué)習(xí)算法，指的是要學(xué)習(xí)一個(gè)目標(biāo)函數(shù)，能夠盡可能地還原輸入和輸出之間的關(guān)系。

然后根據(jù)新的輸入值X，來預(yù)測出輸出值Y。精準(zhǔn)地預(yù)測結(jié)果是機(jī)器學(xué)習(xí)建模的任務(wù)。

所以我們來了解一下，Top10機(jī)器學(xué)習(xí)算法1線性回歸

統(tǒng)計(jì)學(xué)與機(jī)器學(xué)習(xí)領(lǐng)域里研究最多的算法。做預(yù)測建模，最重要的是準(zhǔn)確性（盡可能減小預(yù)測值和實(shí)際值的誤差）。哪怕犧牲可解釋性，也要盡可能提高準(zhǔn)確性。為了達(dá)到這個(gè)目的，我們會從不同領(lǐng)域（包括統(tǒng)計(jì)學(xué)）參考或照搬算法。線性回歸可用一條線表示輸入值X和輸出值Y之間的關(guān)系，這條線的斜率的值，也叫系數(shù)。

比方說，y = B0 + B1*x，我們就可以根據(jù)X值來預(yù)測Y值。機(jī)器學(xué)習(xí)的任務(wù)就是找出系數(shù)B0和B1。從數(shù)據(jù)中建立線性回歸的模型有不同的方法，比方說線性代數(shù)的最小二乘法、梯度下降優(yōu)化。線性回歸已經(jīng)存在了200多年，相關(guān)研究已經(jīng)很多了。用這個(gè)算法關(guān)鍵在于要盡可能地移除相似的變量以及清洗數(shù)據(jù)。對算法萌新來說，是最簡單的算法了。

2邏輯回歸

這方法來自統(tǒng)計(jì)學(xué)領(lǐng)域，是一種可以用在二元分類問題上的方法。邏輯回歸，和線性回歸相似，都是要找出輸入值的系數(shù)權(quán)重。不同的地方在于，對輸出值的預(yù)測改成了邏輯函數(shù)。邏輯函數(shù)看起來像字母S，輸出值的范圍是0到1。把邏輯函數(shù)的輸出值加一個(gè)處理規(guī)則，就能得到分類結(jié)果，非0即1。比方說，可以規(guī)定輸入值小于0.5，那么輸出值就是1。

這個(gè)算法還可以用來預(yù)測數(shù)據(jù)分布的概率，適用于需要更多數(shù)據(jù)論證支撐的預(yù)測。和線性回歸相似，如果把和輸出不相干的因子或者相近的因子剔除掉的話，邏輯回歸算法的表現(xiàn)會更好。對于二元分類問題，邏輯回歸是個(gè)可快速上手又有效的算法。

3線性判別分析

邏輯回歸算法，只能用于二分問題。當(dāng)輸出的結(jié)果類別超過兩類的時(shí)候，就要用線性判別分析算法了。這種算法的可視化結(jié)果還比較一目了然，能看出數(shù)據(jù)在統(tǒng)計(jì)學(xué)上的特征。這上面的結(jié)果都是分別計(jì)算得到的，單一的輸入值可以是每一類的中位數(shù)，也可以是每一類值的跨度。

基于對每種類別計(jì)算之后所得到的判別值，取最大值做出預(yù)測。這種方法是假定數(shù)據(jù)符合高斯分布。所以，最好在預(yù)測之前把異常值先踢掉。對于分類預(yù)測問題來說，這種算法既簡單又給力。

4分類與回歸樹

預(yù)測模型里，決策樹也是非常重要的一種算法?？梢杂梅謨刹娴臉鋪肀硎緵Q策樹的模型。每一個(gè)節(jié)點(diǎn)代表一個(gè)輸入，每個(gè)分支代表一個(gè)變量（默認(rèn)變量是數(shù)字類型）

決策樹

決策樹的葉節(jié)點(diǎn)指的是輸出變量。預(yù)測的過程會經(jīng)過決策樹的分岔口，直到最后停在了一個(gè)葉節(jié)點(diǎn)上，對應(yīng)的就是輸出值的分類結(jié)果。決策樹很好學(xué)，也能很快地得到預(yù)測結(jié)果。對于大部分問題來說，得到的結(jié)果還挺準(zhǔn)確，也不要求對數(shù)據(jù)進(jìn)行預(yù)處理。

5樸素貝葉斯分類器

這種預(yù)測建模的算法強(qiáng)大到超乎想象。這種模型，可以直接從你的訓(xùn)練集中計(jì)算出來兩種輸出類別的概率。一個(gè)是每種輸出種類的概率；另外一個(gè)，是根據(jù)給定的x值，得到的是有條件的種類概率。一旦計(jì)算之后，概率的模型可以用貝葉斯定理預(yù)測新的數(shù)據(jù)。當(dāng)你的數(shù)據(jù)是實(shí)數(shù)值，那么按理說應(yīng)該是符合高斯分布的，也就很容易估算出這個(gè)概率。

貝葉斯定理

樸素貝葉斯定理之所以名字里有個(gè)“樸素”，是因?yàn)檫@種算法假定每個(gè)輸入的變量都是獨(dú)立的。不過，真實(shí)的數(shù)據(jù)不可能滿足這個(gè)隱藏前提。盡管如此，這個(gè)方法對很多復(fù)雜的問題還是很管用的。

6K近鄰算法

最近K近鄰的模型表示，就是整個(gè)訓(xùn)練集。很直截了當(dāng)，對吧？對新數(shù)據(jù)的預(yù)測，是搜索整個(gè)訓(xùn)練集的值，找到K個(gè)最近的例子（literally的鄰居）。然后總結(jié)K個(gè)輸出的變量。這種算法難就難在，怎么定義兩個(gè)數(shù)據(jù)的相似度（相距多近算相似）。如果你的特征(attributes)屬于同一個(gè)尺度的話，那最簡單的方法是用歐幾里得距離。這個(gè)數(shù)值，你可以基于每個(gè)輸入變量之間的距離來計(jì)算得出。

最近鄰法，需要占用大量的內(nèi)存空間來放數(shù)據(jù)，這樣在需要預(yù)測的時(shí)候就可以進(jìn)行即時(shí)運(yùn)算（或?qū)W習(xí)）。也可以不斷更新訓(xùn)練集，使得預(yù)測更加準(zhǔn)確。距離或親密度這個(gè)思路遇到更高維度（大量的輸入變量）就行不通了，會影響算法的表現(xiàn)。這叫做維度的詛咒。當(dāng)（數(shù)學(xué)）空間維度增加時(shí)，分析和組織高維空間（通常有成百上千維），因體積指數(shù)增加而遇到各種問題場景。所以最好只保留那些和輸出值有關(guān)的輸入變量。

7學(xué)習(xí)矢量量化

最近鄰法的缺點(diǎn)是，你需要整個(gè)訓(xùn)練集。而學(xué)習(xí)矢量量化（后簡稱LVQ）這個(gè)神經(jīng)網(wǎng)絡(luò)算法，是自行選擇訓(xùn)練樣例。

LVQ，是一組矢量，也叫碼本。一開始，矢量是隨機(jī)選的，經(jīng)過幾次學(xué)習(xí)算法迭代之后，慢慢選出最能代表訓(xùn)練集的矢量。學(xué)習(xí)完成后，碼本就可以用來預(yù)測了，就像最近鄰法那樣。計(jì)算新輸入樣例和碼本的距離，可以找出最相近的鄰居，也就是最匹配的碼本。如果你重新調(diào)整數(shù)據(jù)尺度，把數(shù)據(jù)歸到同一個(gè)范圍里，比如說0到1之間，那就可以獲得最好的結(jié)果。如果用最近鄰法就獲得了不錯(cuò)的結(jié)果，那么可以再用LVQ優(yōu)化一下，減輕訓(xùn)練集儲存壓力。

8支持向量機(jī)（簡稱SVM）

這可能是機(jī)器學(xué)習(xí)里最受歡迎的算法了。超平面是一條可以分割輸入變量的空間的“線”。支持向量機(jī)的超平面，是能把輸入變量空間盡可能理想地按種類切割，要么是0，要么是1。在二維空間里，你可以把超平面可以分割變量空間的那條“線”。這條線能把所有的輸入值完美一分為二。SVM的學(xué)習(xí)目標(biāo)就是要找出這個(gè)超平面。

超平面和挨得最近的數(shù)據(jù)點(diǎn)之間的距離，叫做邊緣。最理想的超平面，是可以無誤差地劃分訓(xùn)練數(shù)據(jù)。 也就是說，每一類數(shù)據(jù)里距離超平面最近的向量與超平面之間的距離達(dá)到最大值。這些點(diǎn)就叫做支持向量，他們定義了超平面。從實(shí)際操作上，最理想的算法是能找到這些把最近矢量與超平面值距離最大化的點(diǎn)。支持向量可能是最強(qiáng)的拿來就用的分類器了。值得用數(shù)據(jù)集試試。

9隨機(jī)森林

隨機(jī)森林，屬于一種重復(fù)抽樣算法，是最受歡迎也最強(qiáng)大的算法之一。在統(tǒng)計(jì)學(xué)里，bootstrap是個(gè)估算值大小很有效的方法。比方說估算平均值。從數(shù)據(jù)庫中取一些樣本，計(jì)算平均值，重復(fù)幾次這樣的操作，獲得多個(gè)平均值。然后平均這幾個(gè)平均值，希望能得到最接近真實(shí)的平均值。而bagging算法，是每次取多個(gè)樣本，然后基于這些樣本建模。當(dāng)要預(yù)測新數(shù)據(jù)的時(shí)候，之前建的這些模型都做次預(yù)測，最后取這些預(yù)測值的平均數(shù)，盡力接近真實(shí)的輸出值。

隨機(jī)森林在這個(gè)基礎(chǔ)上稍微有點(diǎn)變化。它包含多個(gè)決策樹的分類器， 并且其輸出的類別是由個(gè)別樹輸出的類別的眾數(shù)而定。如果你的高方差算法取得了不錯(cuò)的結(jié)果（比方說決策樹），那么用隨機(jī)森林的話會進(jìn)一步拿到更好的結(jié)果。

10提升(Boosting)算法和自適應(yīng)增強(qiáng)(Adaboost)算法

Boosting的核心是，對同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器（弱分類器），然后把這些弱分類器集合起來，構(gòu)成一個(gè)更強(qiáng)的最終分類器（強(qiáng)分類器）。所得到的第二個(gè)弱分類器會糾正第一個(gè)弱分類器的誤差。弱分類器的不斷疊加，直到預(yù)測結(jié)果完美為止。Adaboost算法是首個(gè)成功用于二元分類問題的提升算法。現(xiàn)在有很多提升方法都是基于Adaboost。

AdaBoost適用于短的決策樹。在第一個(gè)樹建立出來之后，不同的樣本訓(xùn)練之后的表現(xiàn)可以作參考，用不同的樣本訓(xùn)練弱分類器，然后根據(jù)錯(cuò)誤率給樣本一個(gè)權(quán)重。很難預(yù)測的訓(xùn)練數(shù)據(jù)應(yīng)該給更多的權(quán)重，反過來，好預(yù)測的就少一點(diǎn)權(quán)重。模型按順序一個(gè)一個(gè)建，每個(gè)訓(xùn)練數(shù)據(jù)的權(quán)重都會受到上一個(gè)決策樹表現(xiàn)的影響。當(dāng)所有的決策樹都建好之后，看新數(shù)據(jù)的預(yù)測表現(xiàn)，結(jié)果準(zhǔn)不準(zhǔn)。因?yàn)橛?xùn)練數(shù)據(jù)對于矯正算法非常重要，所以要確保數(shù)據(jù)清洗干凈了，不要有奇奇怪怪的偏離值。

最后的最后面對海量的機(jī)器學(xué)習(xí)算法，萌新最愛問的是，“我該選什么算法？”在回答這個(gè)問題之前，要先想清楚：

1）數(shù)據(jù)的數(shù)量、質(zhì)量、本質(zhì)；

2）可供計(jì)算的時(shí)間；

3）這個(gè)任務(wù)的緊急程度；

4）你用這個(gè)數(shù)據(jù)想做什么。

要知道，即使是老司機(jī)，也無法閉著眼睛說哪個(gè)算法能拿到最好的結(jié)果。還是得動手試。其實(shí)機(jī)器學(xué)習(xí)的算法很多的，以上只是介紹用得比較多的類型，比較適合萌新試試手找找感覺。