用机器学习备忘单解决艰巨问题，你行吗？

最后更新：2020-03-30 11:52:34 手机定位技术交流文章

全文由1848个单词组成，预计需要6分钟来学习。

资料来源:Pexels

无论你是机器学习的初学者还是中级程序员，你都可能被这个问题迷惑。如何创建备忘单？你能从这篇文章中学到什么？

在机器学习中，没有一个解决方案能解决所有的问题。由于算法的多样性，很难找到正确的算法来解决问题。

然而，没有必要担心。在本文中，我们将介绍如何使用备忘单来简化机器学习方法。您可以使用备忘单来选择适合解决问题的正确算法。

以下是一个备忘单——你需要理解机器学习的技巧。

备忘录使用指南

选择算法时要考虑的因素

有几个因素会影响你的选择。有些特殊的问题需要特殊的解决方法。例如，推荐系统可以用来解决这样的问题。虽然有些类型的问题是开放的，但它们需要反复试验。监督学习、分类和回归是开放问题的解决方案。

1.您希望对数据执行什么操作-分类、回归还是聚类？

2.大小:选择算法时，数据集的大小(不管大小)非常重要。

3.质量:数据集发生了多少变化，数据集是否平衡。

4.数据性质:我们标记数据了吗？模型的输入和输出是如何表示的？

5.时间可用性:你需要多少时间来建立和训练模型。有些模型可以建得更快，但精度不太好。

6.速度或精度:对于可用于生产的模型，您可能对精度有更高的要求，但有时更快的工作模型可以满足您的需求。

如果您想使用备忘单，只需查看图表上的选择选项卡，然后移动到回答问题的箭头。例如:

如果您想减少维度的数量并且不需要主题建模，请使用主成分分析。

如果你想预测一个变量的值并需要更高的精度，你应该尝试使用“随机森林”、“神经网络”或“梯度提升”树。

如果您没有标记数据并希望执行聚类，可以使用k近邻聚类算法。

选择正确的算法

值得一提的是，即使是经验丰富的数据科学家，如果不尝试其他算法，也无法知道哪种算法效果最好。条条大路通罗马，这份备忘录可能不是解决问题的唯一方法。备忘单只希望根据已知的因素为你提供可以使用的算法的指导。

机器学习算法的类型

资料来源:胡志

1.监督学习

监督学习算法是对操作的直接监督。我们使用数据来教授或训练机器，这意味着数据被标上正确的答案。算法用于分析训练数据并获得输入输出映射函数。然后，训练数据可以被一般化，并且该函数可以用于预测未知输入的输出。监督学习主要用于以下两类问题。

分类:在分类问题中，你需要找到输入数据的类型。例如，将图像分类为“狗”或“猫”

回归:在回归问题中，输出是一个实值。请尝试根据输入预测变量的值。

2.半监督学习

监测学习需要使用有标记的数据，如果其他人没有参与类似的项目，这可能很难找到或生成。在半监督方法中，我们使用一些标记数据和未标记数据。

如你所见，数据没有被完全标记，这就是为什么它被称为半监督学习。通过将标记数据和未标记数据相结合，可以提高模型的准确性。

3.无监督学习

无监督学习适用于未标记的数据。机器必须在没有任何监督的情况下找出数据中的模式、相似性和差异，执行聚类并降低维度。

聚类:根据一些标准和相似性，将数据分成一个或多个聚类。例如，客户根据他们的购买行为进行分组。

降维:一些数据特征或维度可能不用于模型训练。使用一些算法，我们可以避免考虑维数和不相关的特征。这个过程叫做降维。

4.加强学习

强化学习可以根据来自环境的反馈来优化代理。当机器做出正确的决定并惩罚其错误的决定时，机构会奖励它。这项研究并不要求我们事先收集数据，然后整理数据。该系统是自我维持的，并试图在现实世界中完善自己。AlphaGO是一个基于强化学习的计算机程序，打败了世界上最好的围棋手。

尾注

资料来源:Pexels

机器学习问题可以通过多种方式解决，您可以根据多种因素选择算法，如准确性、客观性、数据大小和数据属性。您还可以参考备忘单，并快速开始构建模型。一旦问题得到解决并获得结果，就可以进一步探索不同的算法，以找到最适合特定问题的最佳算法。

评论、表扬和关注

让我们分享人工智能学习和发展的干货。

如果重印，请在后台留言并遵守重印规则。