在中，有一種叫做「沒有免費的午餐」的定理。簡而言之，它指出沒有任何一種算法對所有問題都有效，在監(jiān)督學習（即預(yù)測建模）中尤其如此。

例如，你不能說總是比決策樹好，反之亦然。有很多因素在起作用，例如數(shù)據(jù)集的大小和結(jié)構(gòu)。

因此，你應(yīng)該針對具體問題嘗試多種不同算法，并留出一個數(shù)據(jù)「測試集」來評估性能、選出優(yōu)勝者。

當然，你嘗試的算法必須適合你的問題，也就是選擇正確的任務(wù)。打個比方，如果你需要打掃房子，你可能會用吸塵器、掃帚或拖把，但是你不會拿出鏟子開始挖土。

大原則

不過也有一個普遍原則，即所有監(jiān)督機器學習算法預(yù)測建模的基礎(chǔ)。

機器學習算法被描述為學習一個目標函數(shù) f，該函數(shù)將輸入變量 X 最好地映射到輸出變量 Y：Y = f(X)

這是一個普遍的學習任務(wù)，我們可以根據(jù)輸入變量 X 的新樣本對 Y 進行預(yù)測。我們不知道函數(shù) f 的樣子或形式。如果我們知道的話，我們將會直接使用它，不需要用機器學習算法從數(shù)據(jù)中學習。

最常見的機器學習算法是學習映射 Y = f(X) 來預(yù)測新 X 的 Y。這叫做預(yù)測建模或預(yù)測分析，我們的目標是盡可能作出最準確的預(yù)測。

對于想了解機器學習基礎(chǔ)知識的新手，本文將概述數(shù)據(jù)科學家使用的 top 10 機器學習算法。

1. 線性回歸

線性回歸可能是統(tǒng)計學和機器學習中最知名和最易理解的算法之一。

預(yù)測建模主要關(guān)注最小化模型誤差或者盡可能作出最準確的預(yù)測，以可解釋性為代價。我們將借用、重用包括統(tǒng)計學在內(nèi)的很多不同領(lǐng)域的算法，并將其用于這些目的。

線性回歸的表示是一個方程，它通過找到輸入變量的特定權(quán)重（稱為系數(shù) B），來描述一條最適合表示輸入變量 x 與輸出變量 y 關(guān)系的直線。

線性回歸

例如：y = B0 + B1 * x

我們將根據(jù)輸入 x 預(yù)測 y，線性回歸學習算法的目標是找到系數(shù) B0 和 B1 的值。

可以使用不同的技術(shù)從數(shù)據(jù)中學習線性回歸模型，例如用于普通最小二乘法和梯度下降優(yōu)化的線性代數(shù)解。

線性回歸已經(jīng)存在了 200 多年，并得到了廣泛研究。使用這種技術(shù)的一些經(jīng)驗是盡可能去除非常相似（相關(guān)）的變量，并去除噪音。這是一種快速、簡單的技術(shù)，可以首先嘗試一下。

2. Logistic 回歸

Logistic 回歸是機器學習從統(tǒng)計學中借鑒的另一種技術(shù)。它是解決二分類問題的首選方法。

Logistic 回歸與線性回歸相似，目標都是找到每個輸入變量的權(quán)重，即系數(shù)值。與線性回歸不同的是，Logistic 回歸對輸出的預(yù)測使用被稱為 logistic 函數(shù)的非線性函數(shù)進行變換。

logistic 函數(shù)看起來像一個大的 S，并且可以將任何值轉(zhuǎn)換到 0 到 1 的區(qū)間內(nèi)。這非常實用，因為我們可以規(guī)定 logistic 函數(shù)的輸出值是 0 和 1（例如，輸入小于 0.5 則輸出為 1）并預(yù)測類別值。

Logistic 回歸

由于模型的學習方式，Logistic 回歸的預(yù)測也可以作為給定數(shù)據(jù)實例（屬于類別 0 或 1）的概率。這對于需要為預(yù)測提供更多依據(jù)的問題很有用。

像線性回歸一樣，Logistic 回歸在刪除與輸出變量無關(guān)的屬性以及非常相似（相關(guān)）的屬性時效果更好。它是一個快速的學習模型，并且對于二分類問題非常有效。

3. 線性判別分析（LDA）

Logistic 回歸是一種分類算法，傳統(tǒng)上，它僅限于只有兩類的分類問題。如果你有兩個以上的類別，那么線性判別分析是首選的線性分類技術(shù)。

LDA 的表示非常簡單直接。它由數(shù)據(jù)的統(tǒng)計屬性構(gòu)成，對每個類別進行計算。單個輸入變量的 LDA 包括：

• 每個類別的平均值；

• 所有類別的方差。

線性判別分析

進行預(yù)測的方法是計算每個類別的判別值并對具備最大值的類別進行預(yù)測。該技術(shù)假設(shè)數(shù)據(jù)呈高斯分布（鐘形曲線），因此最好預(yù)先從數(shù)據(jù)中刪除異常值。這是處理分類預(yù)測建模問題的一種簡單而強大的方法。

4. 分類與回歸樹

決策樹是預(yù)測建模機器學習的一種重要算法。

決策樹模型的表示是一個二叉樹。這是算法和數(shù)據(jù)結(jié)構(gòu)中的二叉樹，沒什么特別的。每個節(jié)點代表一個單獨的輸入變量 x 和該變量上的一個分割點（假設(shè)變量是數(shù)字）。

決策樹

決策樹的葉節(jié)點包含一個用于預(yù)測的輸出變量 y。通過遍歷該樹的分割點，直到到達一個葉節(jié)點并輸出該節(jié)點的類別值就可以作出預(yù)測。

決策樹學習速度和預(yù)測速度都很快。它們還可以解決大量問題，并且不需要對數(shù)據(jù)做特別準備。

5. 樸素貝葉斯

樸素貝葉斯是一個簡單但是很強大的預(yù)測建模算法。

該模型由兩種概率組成，這兩種概率都可以直接從訓練數(shù)據(jù)中計算出來：1）每個類別的概率；2）給定每個 x 的值，每個類別的條件概率。一旦計算出來，概率模型可用于使用貝葉斯定理對新數(shù)據(jù)進行預(yù)測。當你的數(shù)據(jù)是實值時，通常假設(shè)一個高斯分布（鐘形曲線），這樣你可以簡單的估計這些概率。

貝葉斯定理

樸素貝葉斯之所以是樸素的，是因為它假設(shè)每個輸入變量是獨立的。這是一個強大的假設(shè)，真實的數(shù)據(jù)并非如此，但是，該技術(shù)在大量復(fù)雜問題上非常有用。

6. K 近鄰算法

KNN 算法非常簡單且有效。KNN 的模型表示是整個訓練數(shù)據(jù)集。是不是很簡單？

KNN 算法在整個訓練集中搜索 K 個最相似實例（近鄰）并匯總這 K 個實例的輸出變量，以預(yù)測新數(shù)據(jù)點。對于回歸問題，這可能是平均輸出變量，對于分類問題，這可能是眾數(shù)（或最常見的）類別值。

訣竅在于如何確定數(shù)據(jù)實例間的相似性。如果屬性的度量單位相同（例如都是用英寸表示），那么最簡單的技術(shù)是使用歐幾里得距離，你可以根據(jù)每個輸入變量之間的差值直接計算出來其數(shù)值。

K 近鄰算法

KNN 需要大量內(nèi)存或空間來存儲所有數(shù)據(jù)，但是只有在需要預(yù)測時才執(zhí)行計算（或?qū)W習）。你還可以隨時更新和管理訓練實例，以保持預(yù)測的準確性。

距離或緊密性的概念可能在非常高的維度（很多輸入變量）中會瓦解，這對算法在你的問題上的性能產(chǎn)生負面影響。這被稱為維數(shù)災(zāi)難。因此你最好只使用那些與預(yù)測輸出變量最相關(guān)的輸入變量。

7. 學習向量量化

K 近鄰算法的一個缺點是你需要遍歷整個訓練數(shù)據(jù)集。學習向量量化算法（簡稱 LVQ）是一種人工神經(jīng)網(wǎng)絡(luò)算法，它允許你選擇訓練實例的數(shù)量，并精確地學習這些實例應(yīng)該是什么樣的。

學習向量量化

LVQ 的表示是碼本向量的集合。這些是在開始時隨機選擇的，并逐漸調(diào)整以在學習算法的多次迭代中最好地總結(jié)訓練數(shù)據(jù)集。在學習之后，碼本向量可用于預(yù)測（類似 K 近鄰算法）。最相似的近鄰（最佳匹配的碼本向量）通過計算每個碼本向量和新數(shù)據(jù)實例之間的距離找到。然后返回最佳匹配單元的類別值或（回歸中的實際值）作為預(yù)測。如果你重新調(diào)整數(shù)據(jù)，使其具有相同的范圍（比如 0 到 1 之間），就可以獲得最佳結(jié)果。

如果你發(fā)現(xiàn) KNN 在你的數(shù)據(jù)集上達到很好的結(jié)果，請嘗試用 LVQ 減少存儲整個訓練數(shù)據(jù)集的內(nèi)存要求。

8. 支持向量機（SVM）

支持向量機可能是最受歡迎和最廣泛討論的機器學習算法之一。

超平面是分割輸入變量空間的一條線。在 SVM 中，選擇一條可以最好地根據(jù)輸入變量類別（類別 0 或類別 1）對輸入變量空間進行分割的超平面。在二維中，你可以將其視為一條線，我們假設(shè)所有的輸入點都可以被這條線完全的分開。SVM 學習算法找到了可以讓超平面對類別進行最佳分割的系數(shù)。

支持向量機

超平面和最近的數(shù)據(jù)點之間的距離被稱為間隔。分開兩個類別的最好的或最理想的超平面具備最大間隔。只有這些點與定義超平面和構(gòu)建分類器有關(guān)。這些點被稱為支持向量，它們支持或定義了超平面。實際上，優(yōu)化算法用于尋找最大化間隔的系數(shù)的值。

SVM 可能是最強大的立即可用的分類器之一，值得一試。

9. Bagging 和隨機森林

隨機森林是最流行和最強大的機器學習算法之一。它是 Bootstrap Aggregation（又稱 bagging）集成機器學習算法的一種.

bootstrap 是從數(shù)據(jù)樣本中估算數(shù)量的一種強大的統(tǒng)計方法。例如平均數(shù)。你從數(shù)據(jù)中抽取大量樣本，計算平均值，然后平均所有的平均值以便更好的估計真實的平均值。

bagging 使用相同的方法，但是它估計整個統(tǒng)計模型，最常見的是決策樹。在訓練數(shù)據(jù)中抽取多個樣本，然后對每個數(shù)據(jù)樣本建模。當你需要對新數(shù)據(jù)進行預(yù)測時，每個模型都進行預(yù)測，并將所有的預(yù)測值平均以便更好的估計真實的輸出值。

隨機森林

隨機森林是對這種方法的一種調(diào)整，在隨機森林的方法中決策樹被創(chuàng)建以便于通過引入隨機性來進行次優(yōu)分割，而不是選擇最佳分割點。

因此，針對每個數(shù)據(jù)樣本創(chuàng)建的模型將會與其他方式得到的有所不同，不過雖然方法獨特且不同，它們?nèi)匀皇菧蚀_的。結(jié)合它們的預(yù)測可以更好的估計真實的輸出值。

如果你用方差較高的算法（如決策樹）得到了很好的結(jié)果，那么通常可以通過 bagging 該算法來獲得更好的結(jié)果。

10. Boosting 和 AdaBoost

Boosting 是一種集成技術(shù)，它試圖集成一些弱分類器來創(chuàng)建一個強分類器。這通過從訓練數(shù)據(jù)中構(gòu)建一個模型，然后創(chuàng)建第二個模型來嘗試糾正第一個模型的錯誤來完成。一直添加模型直到能夠完美預(yù)測訓練集，或添加的模型數(shù)量已經(jīng)達到最大數(shù)量。

 AdaBoost 是第一個為二分類開發(fā)的真正成功的 boosting 算法。這是理解 boosting 的最佳起點。現(xiàn)代 boosting 方法建立在 AdaBoost 之上，最顯著的是隨機梯度提升。

AdaBoost

AdaBoost 與短決策樹一起使用。在第一個決策樹創(chuàng)建之后，利用每個訓練實例上樹的性能來衡量下一個決策樹應(yīng)該對每個訓練實例付出多少注意力。難以預(yù)測的訓練數(shù)據(jù)被分配更多權(quán)重，而容易預(yù)測的數(shù)據(jù)分配的權(quán)重較少。依次創(chuàng)建模型，每個模型在訓練實例上更新權(quán)重，影響序列中下一個決策樹的學習。在所有決策樹建立之后，對新數(shù)據(jù)進行預(yù)測，并且通過每個決策樹在訓練數(shù)據(jù)上的精確度評估其性能。

因為在糾正算法錯誤上投入了太多注意力，所以具備已刪除異常值的干凈數(shù)據(jù)非常重要。

總結(jié)

初學者在面對各種機器學習算法時經(jīng)常問：「我應(yīng)該用哪個算法？」這個問題的答案取決于很多因素，包括：（1）數(shù)據(jù)的大小、質(zhì)量和特性；（2）可用的計算時間；（3）任務(wù)的緊迫性；（4）你想用這些數(shù)據(jù)做什么。

即使是經(jīng)驗豐富的數(shù)據(jù)科學家在嘗試不同的算法之前，也無法分辨哪種算法會表現(xiàn)最好。雖然還有很多其他的機器學習算法，但本篇文章中討論的是最受歡迎的算法。如果你是機器學習的新手，這將是一個很好的學習起點。