江苏龙网

  1. 首页 > 资讯 > 科技 > >

[]常见的机器学习算法，你知道几个？


常见的机器学习算法 ， 你知道几个？

[]常见的机器学习算法，你知道几个？
本文插图
天极网
诞生于1956年的人工智能 ， 由于受到智能算法、计算速度、存储水平等因素的影响 ， 在六十多年的发展过程中经历了多次高潮和低谷 。 最近几年 ， 得益于数据量的上涨、运算力的提升 ， 特别是机器学习新算法的出现 ， 人工智能迎来了大爆发的时代 。
提到机器学习这个词时 ， 有些人首先想到的可能是科幻电影里的机器人 。 事实上 ， 机器学习是一门多领域交叉学科 ， 涉及概率论、统计学、算法复杂度理论等多门学科 。 专门研究计算机如何模拟或实现人类的学习行为 ， 利用数据或以往的经验 ， 以此优化计算机程序的性能标准 。
根据学习任务的不同 ， 我们可以将机器学习分为监督学习、非监督学习、强化学习三种类型 ， 而每种类型又对应着一些算法 。
各种算法以及对应的任务类型
接下来就简单介绍几种常用的机器学习算法及其应用场景 ， 通过本篇文章大家可以对机器学习的常用算法有个常识性的认识 。
一、监督学习
(1)支持向量机(Support Vector Machine ， SVM)：是一类按监督学习方式对数据进行二元分类的广义线性分类器 ， 其决策边界是对学习样本求解的最大边距超平面 。 例如 ， 在纸上有两类线性可分的点 ， 支持向量机会寻找一条直线将这两类点区分开来 ， 并且与这些点的距离都尽可能远 。
优点：泛化错误率低 ， 结果易解释 。
缺点：对大规模训练样本难以实施 ， 解决多分类问题存在困难 ， 对参数调节和核函数的选择敏感 。
应用场景：文本分类、人像识别、医学诊断等 。
(2)决策树(Decision Tree)：是一个预测模型 ， 代表的是对象属性与对象值之间的一种映射关系 。 下图是如何在决策树中建模的简单示例：
优点：易于理解和解释 ， 可以可视化分析 ， 容易提取出规则;能够处理不相关的特征 。
缺点：对缺失数据处理比较困难 。
应用场景：在决策过程应用较多 。
(3)朴素贝叶斯分类(Naive Bayesian classification)：对于给出的待分类项 ， 求解此项出现的条件下各个类别出现的概率 ， 哪个最大 ， 就认为此待分类属于哪个类别 。 贝叶斯公式为：p(A|B)= p(B|A)*p(A/p(B) ， 其中P(A|B)表示后验概率 ， P(B|A)是似然值 ， P(A)是类别的先验概率 ， P(B)代表预测器的先验概率 。
优点：在数据较少的情况下仍然有效 ， 可以处理多类别问题 。
缺点：对输入数据的准备方式较为敏感 。
应用场景：文本分类、人脸识别、欺诈检测 。
(4)k-近邻算法(K-Nearest Neighbor ， KNN)：是一种基于实例的学习 ， 采用测量不同特征值之间的距离方法进行分类 。 其基本思路是：给定一个训练样本集 ， 然后输入没有标签的新数据 ， 将新数据的每个特征与样本集中数据对应的特征进行比较 ， 找到最邻近的k个(通常是不大于20的整数)实例 ， 这k个实例的多数属于某个类 ， 就把该输入实例分类到这个类中 。
优点：简单、易于理解、易于实现 ， 无需估计参数 。 此外 ， 与朴素贝叶斯之类的算法比 ， 无数据输入假定、准确度高、对异常数据值不敏感 。
缺点：对于训练数据依赖程度比较大 ， 并且缺少训练阶段 ， 无法应对多样本 。
应用场景：字符识别、文本分类、图像识别等领域 。
二、非监督学习
(1)主成分分析(Principal Component Analysis ， PCA)：是一种统计方法 。 其主要思想是将n维特征映射到k维上 ， 这k维是全新的正交特征也被称为主成分 ， 是在原有n维特征的基础上重新构造出来的k维特征 。
优点：降低数据的复杂性 ， 识别最重要的多个特征 。
缺点：主成分各个特征维度的含义具有一定的模糊性 ， 不如原始样本特征的解释性强;有可能损失有用的信息 。


推荐阅读


上一篇：「婷小姐」目前最值得入手的四款手机！都是高配低价，用三五年也不过时

下一篇：■碧桂园跨界餐饮，首家机器人中餐厅开业