機(jī)器學(xué)習(xí)常見算法簡介 - 原文鏈接：http://usblogs.pwc.com/emerging-technology/machine-learning-methods-infographic/

應(yīng)該使用哪種機(jī)器學(xué)習(xí)算法？

很大程度上依賴于可用數(shù)據(jù)的性質(zhì)和數(shù)量以及每一個特定用例中你的訓(xùn)練目標(biāo)。

不要使用最復(fù)雜的算法，除非其結(jié)果值得付出昂貴的開銷和資源。

?

這里給出了一些最常見的算法，按使用簡單程度排序。

1. 決策樹（DT，Decision Trees）

在進(jìn)行逐步應(yīng)答過程中，典型的決策樹分析會使用分層變量或決策節(jié)點，例如，可將一個給定用戶分類成信用可靠或不可靠。

• 優(yōu)點：擅長對人、地點、事物的一系列不同特征、品質(zhì)、特性進(jìn)行評估
• 場景舉例：基于規(guī)則的信用評估、賽馬結(jié)果預(yù)測

?

2. 支持向量機(jī)（SVM，Support Vector Machine）

基于超平面（hyperplane），支持向量機(jī)可以對數(shù)據(jù)群進(jìn)行分類。

• 優(yōu)點：支持向量機(jī)擅長在變量 X 與其它變量之間進(jìn)行二元分類操作，無論其關(guān)系是否是線性的
• 場景舉例：新聞分類、手寫識別

?

3. 回歸（Regression）

回歸可以勾畫出因變量與一個或多個因變量之間的狀態(tài)關(guān)系。
在這個例子中，將垃圾郵件和非垃圾郵件進(jìn)行了區(qū)分。

• 優(yōu)點：回歸可用于識別變量之間的連續(xù)關(guān)系，即便這個關(guān)系不是非常明顯
• 場景舉例：路面交通流量分析、郵件過濾

?

4. 樸素貝葉斯分類（Naive Bayes Classification）

樸素貝葉斯分類器用于計算可能條件的分支概率。每個獨立的特征都是「樸素」或條件獨立的，因此它們不會影響別的對象。
例如，在一個裝有共 5 個黃色和紅色小球的罐子里，連續(xù)拿到兩個黃色小球的概率是多少？從圖中最上方分支可見，前后抓取兩個黃色小球的概率為 1/10。
樸素貝葉斯分類器可以計算多個特征的聯(lián)合條件概率。

• 優(yōu)點：對于在小數(shù)據(jù)集上有顯著特征的相關(guān)對象，樸素貝葉斯方法可對其進(jìn)行快速分類
• 場景舉例：情感分析、消費者分類

?

5. 隱馬爾可夫模型（Hidden Markov model）

顯馬爾可夫過程是完全確定性的——一個給定的狀態(tài)經(jīng)常會伴隨另一個狀態(tài)。交通信號燈就是一個例子。
相反，隱馬爾可夫模型通過分析可見數(shù)據(jù)來計算隱藏狀態(tài)的發(fā)生。隨后，借助隱藏狀態(tài)分析，隱馬爾可夫模型可以估計可能的未來觀察模式。
在本例中，高或低氣壓的概率（這是隱藏狀態(tài)）可用于預(yù)測晴天、雨天、多云天的概率。

• 優(yōu)點：容許數(shù)據(jù)的變化性，適用于識別（recognition）和預(yù)測操作
• 場景舉例：面部表情分析、氣象預(yù)測

?

6. 隨機(jī)森林（Random forest）

隨機(jī)森林算法通過使用多個帶有隨機(jī)選取的數(shù)據(jù)子集的樹（tree）改善了決策樹的精確性。
本例在基因表達(dá)層面上考察了大量與乳腺癌復(fù)發(fā)相關(guān)的基因，并計算出復(fù)發(fā)風(fēng)險。

• 優(yōu)點：隨機(jī)森林方法被證明對大規(guī)模數(shù)據(jù)集和存在大量且有時不相關(guān)特征的項（item）來說很有用
• 場景舉例：用戶流失分析、風(fēng)險評估

?

7. 循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network，RNN）

在任意神經(jīng)網(wǎng)絡(luò)中，每個神經(jīng)元都通過 1 個或多個隱藏層來將很多輸入轉(zhuǎn)換成單個輸出。
循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）會將值進(jìn)一步逐層傳遞，讓逐層學(xué)習(xí)成為可能。換句話說，RNN 存在某種形式的記憶，允許先前的輸出去影響后面的輸入。

• 優(yōu)點：循環(huán)神經(jīng)網(wǎng)絡(luò)在存在大量有序信息時具有預(yù)測能力
• 場景舉例：圖像分類與字幕添加、政治情感分析

?

8. 長短期記憶（Long short-term memory，LSTM）與門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)（gated recurrent unit nerual network，GRU）

早期的 RNN 形式是會存在損耗的。
盡管這些早期循環(huán)神經(jīng)網(wǎng)絡(luò)只允許留存少量的早期信息，新近的長短期記憶（LSTM）與門控循環(huán)單元（GRU）神經(jīng)網(wǎng)絡(luò)都有長期與短期的記憶。
換句話說，這些新近的 RNN 擁有更好的控制記憶的能力，允許保留早先的值或是當(dāng)有必要處理很多系列步驟時重置這些值，這避免了「梯度衰減」或逐層傳遞的值的最終 degradation。
LSTM 與 GRU 網(wǎng)絡(luò)使得我們可以使用被稱為「門（gate）」的記憶模塊或結(jié)構(gòu)來控制記憶，這種門可以在合適的時候傳遞或重置值。

• 優(yōu)點：長短期記憶和門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)具備與其它循環(huán)神經(jīng)網(wǎng)絡(luò)一樣的優(yōu)點，但因為它們有更好的記憶能力，所以更常被使用
• 場景舉例：自然語言處理、翻譯

?

9. 卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）

卷積是指來自后續(xù)層的權(quán)重的融合，可用于標(biāo)記輸出層。

• 優(yōu)點：當(dāng)存在非常大型的數(shù)據(jù)集、大量特征和復(fù)雜的分類任務(wù)時，卷積神經(jīng)網(wǎng)絡(luò)是非常有用的
• 場景舉例：圖像識別、文本轉(zhuǎn)語音、藥物發(fā)現(xiàn)

?

參考信息

• 圖解機(jī)器學(xué)習(xí)的常見算法：https://mp.weixin.qq.com/s/K97zUqnp-DDs4qHEeLWWrQ
• 機(jī)器學(xué)習(xí)必學(xué)10大算法：https://mp.weixin.qq.com/s/iD841uO60hoKmMomZMa0yA
• 初學(xué)者如何選擇合適的機(jī)器學(xué)習(xí)算法：http://mp.weixin.qq.com/s/doajj7phcbLa6I_h_c8paA
• 經(jīng)驗之談：如何為你的機(jī)器學(xué)習(xí)問題選擇合適的算法：https://mp.weixin.qq.com/s/deh0RvpfjCO_RZF7FsrM7Q

轉(zhuǎn)載于:https://www.cnblogs.com/anliven/p/10187975.html

總結(jié)

以上是生活随笔為你收集整理的AI - 常见算法简介（Common Algorithms）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。