誕生于1956年的人工智能，由于受到智能算法、計算速度、存儲水平等因素的影響，在六十多年的發(fā)展過程中經(jīng)歷了多次高潮和低谷。最近幾年，得益于數(shù)據(jù)量的上漲、運算力的提升，特別是機器學(xué)習(xí)新算法的出現(xiàn)，人工智能迎來了大爆發(fā)的時代。

提到機器學(xué)習(xí)這個詞時，有些人首先想到的可能是科幻電影里的機器人。事實上，機器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、算法復(fù)雜度理論等多門學(xué)科。專門研究計算機如何模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，利用數(shù)據(jù)或以往的經(jīng)驗，以此優(yōu)化計算機程序的性能標(biāo)準。

根據(jù)學(xué)習(xí)任務(wù)的不同，我們可以將機器學(xué)習(xí)分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)三種類型，而每種類型又對應(yīng)著一些算法。

各種算法以及對應(yīng)的任務(wù)類型

接下來就簡單介紹幾種常用的機器學(xué)習(xí)算法及其應(yīng)用場景，通過本篇文章大家可以對機器學(xué)習(xí)的常用算法有個常識性的認識。

一、監(jiān)督學(xué)習(xí)

（1）支持向量機（Support Vector Machine，SVM）：是一類按監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進行二元分類的廣義線性分類器，其決策邊界是對學(xué)習(xí)樣本求解的最大邊距超平面。例如，在紙上有兩類線性可分的點，支持向量機會尋找一條直線將這兩類點區(qū)分開來，并且與這些點的距離都盡可能遠。

優(yōu)點：泛化錯誤率低，結(jié)果易解釋。

缺點：對大規(guī)模訓(xùn)練樣本難以實施，解決多分類問題存在困難，對參數(shù)調(diào)節(jié)和核函數(shù)的選擇敏感。

應(yīng)用場景：文本分類、人像識別、醫(yī)學(xué)診斷等。

（2）決策樹（Decision Tree）：是一個預(yù)測模型，代表的是對象屬性與對象值之間的一種映射關(guān)系。下圖是如何在決策樹中建模的簡單示例：

優(yōu)點：易于理解和解釋，可以可視化分析，容易提取出規(guī)則;能夠處理不相關(guān)的特征。

缺點：對缺失數(shù)據(jù)處理比較困難。

應(yīng)用場景：在決策過程應(yīng)用較多。

（3）樸素貝葉斯分類（Naive Bayesian classification）：對于給出的待分類項，求解此項出現(xiàn)的條件下各個類別出現(xiàn)的概率，哪個最大，就認為此待分類屬于哪個類別。貝葉斯公式為：p（A|B）= p（B|A）*p（A/p（B），其中P（A|B）表示后驗概率，P（B|A）是似然值，P（A）是類別的先驗概率，P（B）代表預(yù)測器的先驗概率。

優(yōu)點：在數(shù)據(jù)較少的情況下仍然有效，可以處理多類別問題。

缺點：對輸入數(shù)據(jù)的準備方式較為敏感。

應(yīng)用場景：文本分類、人臉識別、欺詐檢測。

（4）k-近鄰算法（K-Nearest Neighbor，KNN）：是一種基于實例的學(xué)習(xí)，采用測量不同特征值之間的距離方法進行分類。其基本思路是：給定一個訓(xùn)練樣本集，然后輸入沒有標(biāo)簽的新數(shù)據(jù)，將新數(shù)據(jù)的每個特征與樣本集中數(shù)據(jù)對應(yīng)的特征進行比較，找到最鄰近的k個（通常是不大于20的整數(shù)）實例，這k個實例的多數(shù)屬于某個類，就把該輸入實例分類到這個類中。

優(yōu)點：簡單、易于理解、易于實現(xiàn)，無需估計參數(shù)。此外，與樸素貝葉斯之類的算法比，無數(shù)據(jù)輸入假定、準確度高、對異常數(shù)據(jù)值不敏感。

缺點：對于訓(xùn)練數(shù)據(jù)依賴程度比較大，并且缺少訓(xùn)練階段，無法應(yīng)對多樣本。

應(yīng)用場景：字符識別、文本分類、圖像識別等領(lǐng)域。

二、非監(jiān)督學(xué)習(xí)

（1）主成分分析（Principal Component Analysis，PCA）：是一種統(tǒng)計方法。其主要思想是將n維特征映射到k維上，這k維是全新的正交特征也被稱為主成分，是在原有n維特征的基礎(chǔ)上重新構(gòu)造出來的k維特征。

優(yōu)點：降低數(shù)據(jù)的復(fù)雜性，識別最重要的多個特征。

缺點：主成分各個特征維度的含義具有一定的模糊性，不如原始樣本特征的解釋性強;有可能損失有用的信息。

應(yīng)用場景：語音、圖像、通信的分析處理。

（2）奇異值分解（Singular Value Decomposition，SVD）：可以將一個比較復(fù)雜的矩陣用更小更簡單的幾個子矩陣的相乘來表示，這些小矩陣描述的是矩陣的重要的特性。

優(yōu)點：簡化數(shù)據(jù)，去除噪聲點，提高算法的結(jié)果。

缺點：數(shù)據(jù)的轉(zhuǎn)換可能難以理解。

應(yīng)用場景：推薦系統(tǒng)、圖片壓縮等。

（3）K-均值聚類（K-Means）：是一種迭代求解的聚類分析算法，采用距離作為相似性指標(biāo)。其工作流程是隨機確定K個對象作為初始的聚類中心，然后計算每個對象與各個種子聚類中心之間的距離，把每個對象分配給距離它最近的聚類中心。

優(yōu)點：算法簡單容易實現(xiàn)。

缺點：可能收斂到局部最小值，在大規(guī)模數(shù)據(jù)集上收斂較慢。

應(yīng)用場景：圖像處理、數(shù)據(jù)分析以及市場研究等。

三、強化學(xué)習(xí)

Q-learning：是一個基于值的強化學(xué)習(xí)算法，它根據(jù)動作值函數(shù)評估應(yīng)該選擇哪個動作，這個函數(shù)決定了處于某一個特定狀態(tài)以及在該狀態(tài)下采取特定動作的獎勵期望值。

優(yōu)點：可以接收更廣的數(shù)據(jù)范圍。

缺點：缺乏通用性。

應(yīng)用場景：游戲開發(fā)。

以上就是文章的全部內(nèi)容，相信大家對常用的機器學(xué)習(xí)算法應(yīng)該有了大致的了解。

現(xiàn)如今，我們越來越多地看到機器學(xué)習(xí)算法為人類帶來的實際價值，如它們提供了關(guān)鍵的洞察力和信息來報告戰(zhàn)略決策?？梢钥隙ǖ氖?，隨著機器學(xué)習(xí)越來越流行，未來還將出現(xiàn)越來越多能很好地處理任務(wù)的算法。