在人工智能發(fā)展中，離不開三個關(guān)鍵詞：算法、大數(shù)據(jù)、計算能力。

算法作為人工智能的核心內(nèi)容之一，直接影響系統(tǒng)的準(zhǔn)確度，算法的優(yōu)劣不僅影響了人工智能的發(fā)展，同時也決定了人工智能未來走向。

而在這一過程中，哪些算法影響了人工智能產(chǎn)業(yè)的發(fā)展？跟隨OFweek維科網(wǎng)編輯一起來看看吧。

1．線性回歸

線性回歸是利用數(shù)理統(tǒng)計中回歸分析，來確定兩種或兩種以上變量間相互依賴的定量關(guān)系的一種統(tǒng)計分析方法，運用十分廣泛。其表達(dá)形式為y ＝ w＇x＋e，e為誤差服從均值為0的正態(tài)分布。

回歸分析中，只包括一個自變量和一個因變量，且二者的關(guān)系可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析。如果回歸分析中包括兩個或兩個以上的自變量，且因變量和自變量之間是線性關(guān)系，則稱為多元線性回歸分析。

線性回歸是回歸分析中第一種經(jīng)過嚴(yán)格研究并在實際應(yīng)用中廣泛使用的類型。這是因為線性依賴于其未知參數(shù)的模型比非線性依賴于其未知參數(shù)的模型更容易擬合，而且產(chǎn)生的估計的統(tǒng)計特性也更容易確定。

線性回歸模型經(jīng)常用最小二乘逼近來擬合，但他們也可能用別的方法來擬合，比如用最小化“擬合缺陷”在一些其他規(guī)范里（比如最小絕對誤差回歸），或者在橋回歸中最小化最小二乘損失函數(shù)的懲罰．相反，最小二乘逼近可以用來擬合那些非線性的模型．因此，盡管“最小二乘法”和“線性模型”是緊密相連的，但他們是不能劃等號的。

2．邏輯回歸

logistic回歸又稱logistic回歸分析，是一種廣義的線性回歸分析模型，常用于數(shù)據(jù)挖掘，疾病自動診斷，經(jīng)濟(jì)預(yù)測等領(lǐng)域。例如，探討引發(fā)疾病的危險因素，并根據(jù)危險因素預(yù)測疾病發(fā)生的概率等。以胃癌病情分析為例，選擇兩組人群，一組是胃癌組，一組是非胃癌組，兩組人群必定具有不同的體征與生活方式等。因此因變量就為是否胃癌，值為“是”或“否”，自變量就可以包括很多了，如年齡、性別、飲食習(xí)慣、幽門螺桿菌感染等。自變量既可以是連續(xù)的，也可以是分類的。然后通過logistic回歸分析，可以得到自變量的權(quán)重，從而可以大致了解到底哪些因素是胃癌的危險因素。同時根據(jù)該權(quán)值可以根據(jù)危險因素預(yù)測一個人患癌癥的可能性。

logistic回歸是一種廣義線性回歸（generalized linear model），因此與多重線性回歸分析有很多相同之處。它們的模型形式基本上相同，都具有 w‘x＋b，其中w和b是待求參數(shù)，其區(qū)別在于他們的因變量不同，多重線性回歸直接將w‘x＋b作為因變量，即y ＝w‘x＋b，而logistic回歸則通過函數(shù)L將w‘x＋b對應(yīng)一個隱狀態(tài)p，p ＝L（w‘x＋b），然后根據(jù)p 與1－p的大小決定因變量的值。如果L是logistic函數(shù)，就是logistic回歸，如果L是多項式函數(shù)就是多項式回歸。

logistic回歸的因變量可以是二分類的，也可以是多分類的，但是二分類的更為常用，也更加容易解釋，多類可以使用softmax方法進(jìn)行處理。實際中最為常用的就是二分類的logistic回歸。

3．決策樹

決策樹（Decision Tree）是在已知各種情況發(fā)生概率的基礎(chǔ)上，通過構(gòu)成決策樹來求取凈現(xiàn)值的期望值大于等于零的概率，評價項目風(fēng)險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由于這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。在機(jī)器學(xué)習(xí)中，決策樹是一個預(yù)測模型，他代表的是對象屬性與對象值之間的一種映射關(guān)系。Entropy ＝ 系統(tǒng)的凌亂程度，使用算法ID3， C4．5和C5．0生成樹算法使用熵。這一度量是基于信息學(xué)理論中熵的概念。

決策樹是一種樹形結(jié)構(gòu)，其中每個內(nèi)部節(jié)點表示一個屬性上的測試，每個分支代表一個測試輸出，每個葉節(jié)點代表一種類別。

分類樹（決策樹）是一種十分常用的分類方法。它是一種監(jiān)督學(xué)習(xí)，所謂監(jiān)督學(xué)習(xí)就是給定一堆樣本，每個樣本都有一組屬性和一個類別，這些類別是事先確定的，那么通過學(xué)習(xí)得到一個分類器，這個分類器能夠?qū)π鲁霈F(xiàn)的對象給出正確的分類。這樣的機(jī)器學(xué)習(xí)就被稱之為監(jiān)督學(xué)習(xí)。

4．支持向量機(jī)

支持向量機(jī)（Support Vector Machine， SVM）是一類按監(jiān)督學(xué)習(xí)（supervised learning）方式對數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器（generalized linear classifier），其決策邊界是對學(xué)習(xí)樣本求解的最大邊距超平面（maximum－margin hyperplane） 。

SVM使用鉸鏈損失函數(shù)（hinge loss）計算經(jīng)驗風(fēng)險（empirical risk）并在求解系統(tǒng)中加入了正則化項以優(yōu)化結(jié)構(gòu)風(fēng)險（structural risk），是一個具有稀疏性和穩(wěn)健性的分類器 。SVM可以通過核方法（kernel method）進(jìn)行非線性分類，是常見的核學(xué)習(xí)（kernel learning）方法之一 。

SVM被提出于1964年，在二十世紀(jì)90年代后得到快速發(fā)展并衍生出一系列改進(jìn)和擴(kuò)展算法，在人像識別、文本分類等模式識別（pattern recognition）問題中有得到應(yīng)用。

5．樸素貝葉斯

樸素貝葉斯分類是一種十分簡單的分類算法：對于給出的待分類項，求解在此項出現(xiàn)的條件下各個類別出現(xiàn)的概率，哪個最大，就認(rèn)為此待分類項屬于哪個類別。

樸素貝葉斯分類分為三個階段，1．根據(jù)具體情況確定特征屬性，并對每個特征屬性進(jìn)行適當(dāng)劃分，形成訓(xùn)練樣本集合2．計算每個類別在訓(xùn)練樣本中的出現(xiàn)頻率及每個特征屬性劃分對每個類別的條件概率估計3．使用分類器對待分類項進(jìn)行分類。

6．K近鄰

K緊鄰算法的核心是未標(biāo)記樣本的類別，計算待標(biāo)記樣本和數(shù)據(jù)集中每個樣本的距離，取距離最近的k個樣本。待標(biāo)記的樣本所屬類別就由這k個距離最近的樣本投票產(chǎn)生，給定其測試樣本，基于某種距離度量找出訓(xùn)練集中與其最靠近的k個訓(xùn)練樣本，然后基于這k個“鄰居”的信息來進(jìn)行預(yù)測。

K緊鄰算法準(zhǔn)確性高，對異常值和噪聲有較高的容忍度，但計算量較大，對內(nèi)存的需求也較大。該算法主要應(yīng)用于文本分類、模式識別、圖像及空間分類。

7．聚類算法

聚類算法是機(jī)器學(xué)習(xí)中涉及對數(shù)據(jù)進(jìn)行分組的一種算法。在給定的數(shù)據(jù)集中，我們可以通過聚類算法將其分成一些不同的組。應(yīng)用中科利用聚類分析，通過將數(shù)據(jù)分組可以比較清晰的獲取到數(shù)據(jù)信息。該算法讓數(shù)據(jù)變得有意義，但存在結(jié)果難以解讀，針對不尋常的數(shù)據(jù)組，結(jié)果可能無用。

在商業(yè)領(lǐng)域中，聚類可以幫助市場分析人員從消費者數(shù)據(jù)庫中區(qū)分出不同的消費群體來，并且概括出每一類消費者的消費模式或者說習(xí)慣。

8．隨機(jī)森林

隨機(jī)森林是一種有監(jiān)督學(xué)習(xí)算法，基于決策樹為學(xué)習(xí)器的集成學(xué)習(xí)算法。隨機(jī)森林非常簡單，易于實現(xiàn)，計算開銷也很小，但是它在分類和回歸上表現(xiàn)出非常驚人的性能，因此，隨機(jī)森林被譽為“代表集成學(xué)習(xí)技術(shù)水平的方法”。

隨機(jī)森林擁有廣泛的應(yīng)用前景，從市場營銷到醫(yī)療保健保險，既可以用來做市場營銷模擬的建模，統(tǒng)計客戶來源，保留和流失，也可用來預(yù)測疾病的風(fēng)險和病患者的易感性。

9．降維算法

降維法（method of reduction dimensions）是一類優(yōu)選方法，用低維的概念去類比高維的概念．將高維的圖形轉(zhuǎn)化為低維的圖形的方法?？v橫對折法、等高線法、平行線法等都是降維法。

降維法是把一個多因素問題轉(zhuǎn)化成一個較少因素（降低問題的維數(shù)）問題，而且較容易進(jìn)行合理安排，找到最優(yōu)點或近似最優(yōu)點，以期達(dá)到滿意的試驗結(jié)果的方法。主要類型有縱橫對折法、等高線法和平行線法。

10．AdaBoost

Adaboost是一種迭代算法，其核心思想是針對同一個訓(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)成一個更強(qiáng)的最終分類器（強(qiáng)分類器）。

Boosting，也稱為增強(qiáng)學(xué)習(xí)或提升法，是一種重要的集成學(xué)習(xí)技術(shù)，能夠?qū)㈩A(yù)測精度僅比隨機(jī)猜度略高的弱學(xué)習(xí)器增強(qiáng)為預(yù)測精度高的強(qiáng)學(xué)習(xí)器，這在直接構(gòu)造強(qiáng)學(xué)習(xí)器非常困難的情況下，為學(xué)習(xí)算法的設(shè)計提供了一種有效的新思路和新方法。作為一種元算法框架，Boosting幾乎可以應(yīng)用于所有目前流行的機(jī)器學(xué)習(xí)算法以進(jìn)一步加強(qiáng)原算法的預(yù)測精度，應(yīng)用十分廣泛，產(chǎn)生了極大的影響。而AdaBoost正是其中最成功的代表，被評為數(shù)據(jù)挖掘十大算法之一。

在AdaBoost提出至今的十幾年間，機(jī)器學(xué)習(xí)領(lǐng)域的諸多知名學(xué)者不斷投入到算法相關(guān)理論的研究中去，扎實的理論為AdaBoost算法的成功應(yīng)用打下了堅實的基礎(chǔ)。AdaBoost的成功不僅僅在于它是一種有效的學(xué)習(xí)算法，還在于1）它讓Boosting從最初的猜想變成一種真正具有實用價值的算法；2）算法采用的一些技巧，如：打破原有樣本分布，也為其他統(tǒng)計學(xué)習(xí)算法的設(shè)計帶來了重要的啟示；3）相關(guān)理論研究成果極大地促進(jìn)了集成學(xué)習(xí)的發(fā)展。

對adaBoost算法的研究以及應(yīng)用大多集中于分類問題，同時也出現(xiàn)了一些在回歸問題上的應(yīng)用。就其應(yīng)用adaBoost系列主要解決了： 兩類問題、多類單標(biāo)簽問題、多類多標(biāo)簽問題、大類單標(biāo)簽問題、回歸問題。它用全部的訓(xùn)練樣本進(jìn)行學(xué)習(xí)。

小結(jié)

算法是計算機(jī)科學(xué)領(lǐng)域最重要的基石之一，當(dāng)下需要處理的信息量是呈指數(shù)級的增長，每人每天都會創(chuàng)造出大量數(shù)據(jù)，無論是三維圖形、海量數(shù)據(jù)處理、機(jī)器學(xué)習(xí)、語音識別，都需要極大的計算量，在AI時代越來越多的挑戰(zhàn)需要靠卓越的算法來解決。

責(zé)任編輯：xj