不管你是機器學習的初學者，還是中級程序員，你都可能此問題感到困惑。如何建立備忘單？從本文中你能學到什么？

在機器學習中，沒有任何一種方案可以解決所有問題。由于算法種類繁多，很難找出正確的算法來解決問題。

不過無需擔心，在本文中，我們將介紹如何使用備忘單簡化機器學習方法，你可以使用該備忘單選擇適合解決問題的正確算法。

以下為備忘單-你需要了解機器學習的技巧。

備忘單使用指南

選擇算法時需要考慮的因素

有幾個因素會影響你的選擇。有一些問題較為特殊，需要專門的方法解決。例如，推薦系統(tǒng)可用于解決此類問題。雖然某些類型的問題是開放的，但它們需要反復試驗、排除錯誤。監(jiān)督學習、分類和回歸是解決開放類問題的方案。

你想對數(shù)據(jù)執(zhí)行什么操作—分類、回歸還是聚類？

大小：在選擇算法時，數(shù)據(jù)集的大?。o論大?。┖苤匾?。

質量：你的數(shù)據(jù)集中有多少變化，數(shù)據(jù)集是否平衡。

數(shù)據(jù)性質：我們是否標記了數(shù)據(jù)？模型的輸入和輸出如何表示？

時間可用性：你需要花費多少時間來構建和訓練模型。某些模型可以更快地構建，但準確性會遜色一些。

速度或準確性：對于可用于生產的模型，你可能對準確性有較高的要求，但有時計算速度更快的快速工作模型就可以滿足你的需求。

若想使用備忘單，你只需查看圖表上的選擇標簽，然后移向回答問題的箭頭。例如：

如果你想減少維度數(shù)量并且不需要主題建模，請使用PCA。

如果要預測某個變量的數(shù)值，且需要較高的準確性，則應嘗試使用“隨機森林”、“神經網絡”或“梯度提升”樹。

如果你沒有標記數(shù)據(jù)并想執(zhí)行聚類，則可以使用k-近鄰聚類算法。

選擇正確的算法

值得一提的是，即使是經驗豐富的數(shù)據(jù)科學家也無法在不嘗試其他算法的情況下分辨出哪種算法效果最好。條條大路通羅馬，該備忘單可能不是解決問題的唯一方法。該備忘單僅希望為你提供基于已知因素可以使用哪些算法的指導。

機器學習算法的類型

來源：zhihu

1. 監(jiān)督學習

監(jiān)督學習算法即對操作的直接監(jiān)督。我們使用數(shù)據(jù)來教導或訓練機器，這意味著數(shù)據(jù)被標記了正確的答案。使用一種算法來分析訓練數(shù)據(jù)并獲得輸入與輸出映射的功能。然后，可以根據(jù)訓練數(shù)據(jù)進行概括，使用該函數(shù)來預測未知輸入的輸出。監(jiān)督學習基本上用于以下兩種類型的問題。

分類：在分類問題中，你需要找到輸入數(shù)據(jù)的類別。例如，將圖像分類為“狗”或“貓”。

回歸：在回歸問題中，輸出為實數(shù)值。請嘗試根據(jù)輸入來預測變量的值。

2. 半監(jiān)督學習

監(jiān)督學習需要使用已標記的數(shù)據(jù)，如果其他人沒有從事類似項目，則要查找或生成這些數(shù)據(jù)可能會很困難。在半監(jiān)督方法中，我們將某些標記數(shù)據(jù)與未標記數(shù)據(jù)一起使用。

如你所見，數(shù)據(jù)沒有完全標記，這就是將其稱為半監(jiān)督學習的原因。通過將標記數(shù)據(jù)與未標記數(shù)據(jù)結合使用，可以提高模型的準確性。

3. 無監(jiān)督學習

無監(jiān)督學習應用于未標記的數(shù)據(jù)。機器必須在沒有任何監(jiān)督的情況下找出數(shù)據(jù)中的模式、異同之處，執(zhí)行聚類并減少維數(shù)。

集群：根據(jù)一些標準和相似性，數(shù)據(jù)被分組為一個或多個集群。例如，根據(jù)客戶的購買行為對其進行分組。

降維：某些數(shù)據(jù)的特征或維度可能并不用于模型訓練。使用某些算法，我們可以避免考慮維度和不相關的特征。此過程稱為降維。

4. 強化學習

強化學習能夠根據(jù)環(huán)境的反饋來優(yōu)化代理。當機器做出正確的決定并對其錯誤的決定進行懲罰時，代理商會對其給予獎勵。這項學習不需要我們事先收集數(shù)據(jù)再清理數(shù)據(jù)。該系統(tǒng)可自我維持，嘗試在現(xiàn)實世界中自我完善。基于強化學習的計算機程序AlphaGO擊敗了世界上最厲害的圍棋選手。

尾注

來源：Pexels

機器學習問題可以通過多種方式解決，你可以根據(jù)多種因素選擇算法，例如準確性、客觀性、數(shù)據(jù)大小和數(shù)據(jù)性質。你也可以參考備忘單，并快速開始構建模型。一旦解決了問題并獲得了結果，就可以進一步探索不同的算法，以找出最適合該特定問題的最佳算法。