常見機(jī)器學(xué)習(xí)算法名單
這里是一個(gè)常用的機(jī)器學(xué)習(xí)算法名單。這些算法幾乎可以用在所有的數(shù)據(jù)問題上：
廣義來說，有三種機(jī)器學(xué)習(xí)算法
1、 監(jiān)督式學(xué)習(xí)
工作機(jī)制：這個(gè)算法由一個(gè)目標(biāo)變量或結(jié)果變量（或因變量）組成。這些變量由已知的一系列預(yù)示變量（自變量）預(yù)測而來。利用這一系列變量，我們生成一個(gè)將輸入值映射到期望輸出值的函數(shù)。這個(gè)訓(xùn)練過程會(huì)一直持續(xù)，直到模型在訓(xùn)練數(shù)據(jù)上獲得期望的精確度。監(jiān)督式學(xué)習(xí)的例子有：回歸、決策樹、隨機(jī)森林、K – 近鄰算法、邏輯回歸等。
2、非監(jiān)督式學(xué)習(xí)
工作機(jī)制：在這個(gè)算法中，沒有任何目標(biāo)變量或結(jié)果變量要預(yù)測或估計(jì)。這個(gè)算法用在不同的組內(nèi)聚類分析。這種分析方式被廣泛地用來細(xì)分客戶，根據(jù)干預(yù)的方式分為不同的用戶組。非監(jiān)督式學(xué)習(xí)的例子有：關(guān)聯(lián)算法和 K – 均值算法。
3、強(qiáng)化學(xué)習(xí)
工作機(jī)制：這個(gè)算法訓(xùn)練機(jī)器進(jìn)行決策。它是這樣工作的：機(jī)器被放在一個(gè)能讓它通過反復(fù)試錯(cuò)來訓(xùn)練自己的環(huán)境中。機(jī)器從過去的經(jīng)驗(yàn)中進(jìn)行學(xué)習(xí)，并且嘗試?yán)昧私庾钔笍氐闹R(shí)作出精確的商業(yè)判斷。 強(qiáng)化學(xué)習(xí)的例子有馬爾可夫決策過程。
1、線性回歸
線性回歸通常用于根據(jù)連續(xù)變量估計(jì)實(shí)際數(shù)值（房價(jià)、呼叫次數(shù)、總銷售額等）。我們通過擬合最佳直線來建立自變量和因變量的關(guān)系。這條最佳直線叫做回歸線，并且用 Y= a *X + b 這條線性等式來表示。
理解線性回歸的最好辦法是回顧一下童年。假設(shè)在不問對方體重的情況下，讓一個(gè)五年級的孩子按體重從輕到重的順序?qū)Π嗌系耐瑢W(xué)排序，你覺得這個(gè)孩子會(huì)怎么做？他（她）很可能會(huì)目測人們的身高和體型，綜合這些可見的參數(shù)來排列他們。這是現(xiàn)實(shí)生活中使用線性回歸的例子。實(shí)際上，這個(gè)孩子發(fā)現(xiàn)了身高和體型與體重有一定的關(guān)系，這個(gè)關(guān)系看起來很像上面的等式。
在這個(gè)等式中：
系數(shù) a 和 b 可以通過最小二乘法獲得。
參見下例。我們找出最佳擬合直線 y=0.2811x+13.9 。已知人的身高，我們可以通過這條等式求出體重。
線性回歸的兩種主要類型是一元線性回歸和多元線性回歸。一元線性回歸的特點(diǎn)是只有一個(gè)自變量。多元線性回歸的特點(diǎn)正如其名，存在多個(gè)自變量。找最佳擬合直線的時(shí)候，你可以擬合到多項(xiàng)或者曲線回歸。這些就被叫做多項(xiàng)或曲線回歸。
Python 代碼
2、邏輯回歸
別被它的名字迷惑了！這是一個(gè)分類算法而不是一個(gè)回歸算法。該算法可根據(jù)已知的一系列因變量估計(jì)離散數(shù)值（比方說二進(jìn)制數(shù)值 0 或 1 ，是或否，真或假）。簡單來說，它通過將數(shù)據(jù)擬合進(jìn)一個(gè)邏輯函數(shù)來預(yù)估一個(gè)事件出現(xiàn)的概率。因此，它也被叫做邏輯回歸。因?yàn)樗A(yù)估的是概率，所以它的輸出值大小在 0 和 1 之間（正如所預(yù)計(jì)的一樣）。
讓我們再次通過一個(gè)簡單的例子來理解這個(gè)算法。
假設(shè)你的朋友讓你解開一個(gè)謎題。這只會(huì)有兩個(gè)結(jié)果：你解開了或是你沒有解開。想象你要解答很多道題來找出你所擅長的主題。這個(gè)研究的結(jié)果就會(huì)像是這樣：假設(shè)題目是一道十年級的三角函數(shù)題，你有 70%的可能會(huì)解開這道題。然而，若題目是個(gè)五年級的歷史題，你只有30%的可能性回答正確。這就是邏輯回歸能提供給你的信息。
從數(shù)學(xué)上看，在結(jié)果中，幾率的對數(shù)使用的是預(yù)測變量的線性組合模型。
odds= p/ (1-p) = probability of event occurrence / probability of not event occurrenceln(odds) = ln(p/(1-p))logit(p) = ln(p/(1-p)) = b0+b1X1+b2X2+b3X3....+bkXk
在上面的式子里，p 是我們感興趣的特征出現(xiàn)的概率。它選用使觀察樣本值的可能性最大化的值作為參數(shù)，而不是通過計(jì)算誤差平方和的最小值（就如一般的回歸分析用到的一樣）。
現(xiàn)在你也許要問了，為什么我們要求出對數(shù)呢？簡而言之，這種方法是復(fù)制一個(gè)階梯函數(shù)的最佳方法之一。我本可以更詳細(xì)地講述，但那就違背本篇指南的主旨了。
Python代碼
更進(jìn)一步：
你可以嘗試更多的方法來改進(jìn)這個(gè)模型：
3、決策樹
這是我最喜愛也是最頻繁使用的算法之一。這個(gè)監(jiān)督式學(xué)習(xí)算法通常被用于分類問題。令人驚奇的是，它同時(shí)適用于分類變量和連續(xù)因變量。在這個(gè)算法中，我們將總體分成兩個(gè)或更多的同類群。這是根據(jù)最重要的屬性或者自變量來分成盡可能不同的組別。想要知道更多，可以閱讀：簡化決策樹 。
來源： statsexchange
在上圖中你可以看到，根據(jù)多種屬性，人群被分成了不同的四個(gè)小組，來判斷 “他們會(huì)不會(huì)去玩”。為了把總體分成不同組別，需要用到許多技術(shù)，比如說 Gini、Information Gain、Chi-square、entropy。
理解決策樹工作機(jī)制的最好方式是玩Jezzball，一個(gè)微軟的經(jīng)典游戲（見下圖）。這個(gè)游戲的最終目的，是在一個(gè)可以移動(dòng)墻壁的房間里，通過造墻來分割出沒有小球的、盡量大的空間。
因此，每一次你用墻壁來分隔房間時(shí)，都是在嘗試著在同一間房里創(chuàng)建兩個(gè)不同的總體。相似地，決策樹也在把總體盡量分割到不同的組里去。
更多信息請見： 決策樹算法的簡化
Python代碼
#Import Library#Import other necessary libraries like pandas, numpy...from sklearn import tree#Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset# Create tree object model = tree.DecisionTreeClassifier(criterion='gini') # for classification, here you can change the algorithm as gini or entropy (information gain) by default it is gini # model = tree.DecisionTreeRegressor() for regression# Train the model using the training sets and check scoremodel.fit(X, y)model.score(X, y)#Predict Outputpredicted= model.predict(x_test)
4、支持向量機(jī)
這是一種分類方法。在這個(gè)算法中，我們將每個(gè)數(shù)據(jù)在N維空間中用點(diǎn)標(biāo)出（N是你所有的特征總數(shù)），每個(gè)特征的值是一個(gè)坐標(biāo)的值。
舉個(gè)例子，如果我們只有身高和頭發(fā)長度兩個(gè)特征，我們會(huì)在二維空間中標(biāo)出這兩個(gè)變量，每個(gè)點(diǎn)有兩個(gè)坐標(biāo)（這些坐標(biāo)叫做支持向量）。
現(xiàn)在，我們會(huì)找到將兩組不同數(shù)據(jù)分開的一條直線。兩個(gè)分組中距離最近的兩個(gè)點(diǎn)到這條線的距離同時(shí)最優(yōu)化。
上面示例中的黑線將數(shù)據(jù)分類優(yōu)化成兩個(gè)小組，兩組中距離最近的點(diǎn)（圖中A、B點(diǎn)）到達(dá)黑線的距離滿足最優(yōu)條件。這條直線就是我們的分割線。接下來，測試數(shù)據(jù)落到直線的哪一邊，我們就將它分到哪一類去。
更多請見： 支持向量機(jī)的簡化
將這個(gè)算法想作是在一個(gè) N 維空間玩 JezzBall。需要對游戲做一些小變動(dòng)：
Python代碼
5、樸素貝葉斯
在預(yù)示變量間相互獨(dú)立的前提下，根據(jù) 貝葉斯定理 可以得到樸素貝葉斯這個(gè)分類方法。用更簡單的話來說，一個(gè)樸素貝葉斯分類器假設(shè)一個(gè)分類的特性與該分類的其它特性不相關(guān)。舉個(gè)例子，如果一個(gè)水果又圓又紅 ， 并且直徑大約是 3 英寸，那么這個(gè)水果可能會(huì)是蘋果。即便這些特性互相依賴 ， 或者依賴于別的特性的存在，樸素貝葉斯分類器還是會(huì)假設(shè)這些特性分別獨(dú)立地暗示這個(gè)水果是個(gè)蘋果。
樸素貝葉斯模型易于建造，且對于大型數(shù)據(jù)集非常有用。雖然簡單，但是樸素貝葉斯的表現(xiàn)卻超越了非常復(fù)雜的分類方法。
貝葉斯定理提供了一種從P(c)、P(x)和P(x|c) 計(jì)算后驗(yàn)概率 P(c|x) 的方法。請看以下等式：
在這里，
例子：讓我們用一個(gè)例子來理解這個(gè)概念。在下面，我有一個(gè)天氣的訓(xùn)練集和對應(yīng)的目標(biāo)變量“Play”?，F(xiàn)在，我們需要根據(jù)天氣情況，將會(huì)“玩”和“不玩”的參與者進(jìn)行分類。讓我們執(zhí)行以下步驟。
步驟1：把數(shù)據(jù)集轉(zhuǎn)換成頻率表。
步驟2：利用類似“當(dāng)Overcast可能性為0.29時(shí)，玩耍的可能性為0.64”這樣的概率，創(chuàng)造 Likelihood 表格。
步驟3：現(xiàn)在，使用樸素貝葉斯等式來計(jì)算每一類的后驗(yàn)概率。后驗(yàn)概率最大的類就是預(yù)測的結(jié)果。
問題：如果天氣晴朗，參與者就能玩耍。這個(gè)陳述正確嗎？
我們可以使用討論過的方法解決這個(gè)問題。于是 P（會(huì)玩 | 晴朗）= P（晴朗 | 會(huì)玩）* P（會(huì)玩）/ P （晴朗）
我們有 P （晴朗 |會(huì)玩）= 3/9 = 0.33，P（晴朗） = 5/14 = 0.36, P（會(huì)玩）= 9/14 = 0.64
現(xiàn)在，P(會(huì)玩 | 晴朗）= 0.33 * 0.64 / 0.36 = 0.60，有更大的概率。
樸素貝葉斯使用了一個(gè)相似的方法，通過不同屬性來預(yù)測不同類別的概率。這個(gè)算法通常被用于文本分類，以及涉及到多個(gè)類的問題。
Python代碼
#Import Libraryfrom sklearn.naive_bayes import GaussianNB#Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset# Create SVM classification object model = GaussianNB() # there is other distribution for multinomial classes like Bernoulli Naive Bayes, Refer link# Train the model using the training sets and check scoremodel.fit(X, y)#Predict Outputpredicted= model.predict(x_test)
6、KNN（K – 最近鄰算法）
該算法可用于分類問題和回歸問題。然而，在業(yè)界內(nèi)，K – 最近鄰算法更常用于分類問題。K – 最近鄰算法是一個(gè)簡單的算法。它儲(chǔ)存所有的案例，通過周圍k個(gè)案例中的大多數(shù)情況劃分新的案例。根據(jù)一個(gè)距離函數(shù)，新案例會(huì)被分配到它的 K 個(gè)近鄰中最普遍的類別中去。
這些距離函數(shù)可以是歐式距離、曼哈頓距離、明式距離或者是漢明距離。前三個(gè)距離函數(shù)用于連續(xù)函數(shù)，第四個(gè)函數(shù)（漢明函數(shù)）則被用于分類變量。如果 K=1，新案例就直接被分到離其最近的案例所屬的類別中。有時(shí)候，使用 KNN 建模時(shí)，選擇 K 的取值是一個(gè)挑戰(zhàn)。
更多信息：K – 最近鄰算法入門（簡化版）
我們可以很容易地在現(xiàn)實(shí)生活中應(yīng)用到 KNN。如果想要了解一個(gè)完全陌生的人，你也許想要去找他的好朋友們或者他的圈子來獲得他的信息。
在選擇使用 KNN 之前，你需要考慮的事情：
Python代碼
7、K 均值算法
K – 均值算法是一種非監(jiān)督式學(xué)習(xí)算法，它能解決聚類問題。使用 K – 均值算法來將一個(gè)數(shù)據(jù)歸入一定數(shù)量的集群（假設(shè)有 k 個(gè)集群）的過程是簡單的。一個(gè)集群內(nèi)的數(shù)據(jù)點(diǎn)是均勻齊次的，并且異于別的集群。
還記得從墨水漬里找出形狀的活動(dòng)嗎？K – 均值算法在某方面類似于這個(gè)活動(dòng)。觀察形狀，并延伸想象來找出到底有多少種集群或者總體。
K – 均值算法怎樣形成集群：
如何決定 K 值：
K – 均值算法涉及到集群，每個(gè)集群有自己的質(zhì)心。一個(gè)集群內(nèi)的質(zhì)心和各數(shù)據(jù)點(diǎn)之間距離的平方和形成了這個(gè)集群的平方值之和。同時(shí)，當(dāng)所有集群的平方值之和加起來的時(shí)候，就組成了集群方案的平方值之和。
我們知道，當(dāng)集群的數(shù)量增加時(shí)，K值會(huì)持續(xù)下降。但是，如果你將結(jié)果用圖表來表示，你會(huì)看到距離的平方總和快速減少。到某個(gè)值 k 之后，減少的速度就大大下降了。在此，我們可以找到集群數(shù)量的最優(yōu)值。
Python代碼
#Import Libraryfrom sklearn.cluster import KMeans#Assumed you have, X (attributes) for training data set and x_test(attributes) of test_dataset# Create KNeighbors classifier object model k_means = KMeans(n_clusters=3, random_state=0)# Train the model using the training sets and check scoremodel.fit(X)#Predict Outputpredicted= model.predict(x_test)
8、隨機(jī)森林
隨機(jī)森林是表示決策樹總體的一個(gè)專有名詞。在隨機(jī)森林算法中，我們有一系列的決策樹（因此又名“森林”）。為了根據(jù)一個(gè)新對象的屬性將其分類，每一個(gè)決策樹有一個(gè)分類，稱之為這個(gè)決策樹“投票”給該分類。這個(gè)森林選擇獲得森林里（在所有樹中）獲得票數(shù)最多的分類。
每棵樹是像這樣種植養(yǎng)成的：
若想了解這個(gè)算法的更多細(xì)節(jié)，比較決策樹以及優(yōu)化模型參數(shù)，我建議你閱讀以下文章：
Python
9、降維算法
在過去的 4 到 5 年里，在每一個(gè)可能的階段，信息捕捉都呈指數(shù)增長。公司、政府機(jī)構(gòu)、研究組織在應(yīng)對著新資源以外，還捕捉詳盡的信息。
舉個(gè)例子：電子商務(wù)公司更詳細(xì)地捕捉關(guān)于顧客的資料：個(gè)人信息、網(wǎng)絡(luò)瀏覽記錄、他們的喜惡、購買記錄、反饋以及別的許多信息，比你身邊的雜貨店售貨員更加關(guān)注你。
作為一個(gè)數(shù)據(jù)科學(xué)家，我們提供的數(shù)據(jù)包含許多特點(diǎn)。這聽起來給建立一個(gè)經(jīng)得起考研的模型提供了很好材料，但有一個(gè)挑戰(zhàn)：如何從 1000 或者 2000 里分辨出最重要的變量呢？在這種情況下，降維算法和別的一些算法（比如決策樹、隨機(jī)森林、PCA、因子分析）幫助我們根據(jù)相關(guān)矩陣，缺失的值的比例和別的要素來找出這些重要變量。
想要知道更多關(guān)于該算法的信息，可以閱讀 《降維算法的初學(xué)者指南》 。
Python代碼
#Import Libraryfrom sklearn import decomposition#Assumed you have training and test data set as train and test# Create PCA obeject pca= decomposition.PCA(n_components=k) #default value of k =min(n_sample, n_features)# For Factor analysis#fa= decomposition.FactorAnalysis()# Reduced the dimension of training dataset using PCAtrain_reduced = pca.fit_transform(train)#Reduced the dimension of test datasettest_reduced = pca.transform(test)#For more detail on this, please refer this link.
10、Gradient Boosting 和 AdaBoost 算法
當(dāng)我們要處理很多數(shù)據(jù)來做一個(gè)有高預(yù)測能力的預(yù)測時(shí)，我們會(huì)用到 GBM 和 AdaBoost 這兩種 boosting 算法。boosting 算法是一種集成學(xué)習(xí)算法。它結(jié)合了建立在多個(gè)基礎(chǔ)估計(jì)值基礎(chǔ)上的預(yù)測結(jié)果，來增進(jìn)單個(gè)估計(jì)值的可靠程度。這些 boosting 算法通常在數(shù)據(jù)科學(xué)比賽如 Kaggl、AV Hackathon、CrowdAnalytix 中很有效。
更多： 詳盡了解 Gradient 和 AdaBoost
Python代碼
GradientBoostingClassifier 和隨機(jī)森林是兩種不同的 boosting 樹分類器。人們常常問起這兩個(gè)算法之間的區(qū)別。
看到這里，說明你喜歡本文，每一位讀到這里的網(wǎng)友，感謝你們能耐心地看完。希望此文能幫到大家的同時(shí)，也聽聽大家的觀點(diǎn)。
聯(lián)系客服
