要學習機器學習，先從這十大算法開始吧

本文介紹了機器學習新手需要了解的 10 大算法，包括線性迴歸、Logistic 迴歸、樸素貝葉斯、K 近鄰算法等。

在機器學習中，有一種叫做「沒有免費的午餐」的定理。簡而言之，它指出沒有任何一種算法對所有問題都有效，在監督學習（即預測建模）中尤其如此。

例如，你不能說神經網絡總是比決策樹好，反之亦然。有很多因素在起作用，例如數據集的大小和結構。

因此，你應該針對具體問題嘗試多種不同算法，並留出一個數據「測試集」來評估性能、選出優勝者。

當然，你嘗試的算法必須適合你的問題，也就是選擇正確的機器學習任務。打個比方，如果你需要打掃房子，你可能會用吸塵器、掃帚或拖把，但是你不會拿出鏟子開始挖土。

大原則

不過也有一個普遍原則，即所有監督機器學習算法預測建模的基礎。

機器學習算法被描述為學習一個目標函數 f，該函數將輸入變量 X 最好地映射到輸出變量 Y：Y = f(X)

這是一個普遍的學習任務，我們可以根據輸入變量 X 的新樣本對 Y 進行預測。我們不知道函數 f 的樣子或形式。如果我們知道的話，我們將會直接使用它，不需要用機器學習算法從數據中學習。

最常見的機器學習算法是學習映射 Y = f(X) 來預測新 X 的 Y。這叫做預測建模或預測分析，我們的目標是儘可能作出最準確的預測。

對於想了解機器學習基礎知識的新手，本文將概述數據科學家使用的 top 10 機器學習算法。

1. 線性迴歸

線性迴歸可能是統計學和機器學習中最知名和最易理解的算法之一。

預測建模主要關注最小化模型誤差或者儘可能作出最準確的預測，以可解釋性為代價。我們將借用、重用包括統計學在內的很多不同領域的算法，並將其用於這些目的。

線性迴歸的表示是一個方程，它通過找到輸入變量的特定權重（稱為係數 B），來描述一條最適合表示輸入變量 x 與輸出變量 y 關係的直線。

線性迴歸

例如：y = B0 + B1 * x

我們將根據輸入 x 預測 y，線性迴歸學習算法的目標是找到係數 B0 和 B1 的值。

可以使用不同的技術從數據中學習線性迴歸模型，例如用於普通最小二乘法和梯度下降優化的線性代數解。

線性迴歸已經存在了 200 多年，並得到了廣泛研究。使用這種技術的一些經驗是儘可能去除非常相似（相關）的變量，並去除噪音。這是一種快速、簡單的技術，可以首先嚐試一下。

2. Logistic 迴歸

Logistic 迴歸是機器學習從統計學中借鑑的另一種技術。它是解決二分類問題的首選方法。

Logistic 迴歸與線性迴歸相似，目標都是找到每個輸入變量的權重，即係數值。與線性迴歸不同的是，Logistic 迴歸對輸出的預測使用被稱為 logistic 函數的非線性函數進行變換。

logistic 函數看起來像一個大的 S，並且可以將任何值轉換到 0 到 1 的區間內。這非常實用，因為我們可以規定 logistic 函數的輸出值是 0 和 1（例如，輸入小於 0.5 則輸出為 1）並預測類別值。

Logistic 迴歸

由於模型的學習方式，Logistic 迴歸的預測也可以作為給定數據實例（屬於類別 0 或 1）的概率。這對於需要為預測提供更多依據的問題很有用。

像線性迴歸一樣，Logistic 迴歸在刪除與輸出變量無關的屬性以及非常相似（相關）的屬性時效果更好。它是一個快速的學習模型，並且對於二分類問題非常有效。

3. 線性判別分析（LDA）

Logistic 迴歸是一種分類算法，傳統上，它僅限於只有兩類的分類問題。如果你有兩個以上的類別，那麼線性判別分析是首選的線性分類技術。

LDA 的表示非常簡單直接。它由數據的統計屬性構成，對每個類別進行計算。單個輸入變量的 LDA 包括：

每個類別的平均值；

所有類別的方差。

線性判別分析

進行預測的方法是計算每個類別的判別值並對具備最大值的類別進行預測。該技術假設數據呈高斯分佈（鐘形曲線），因此最好預先從數據中刪除異常值。這是處理分類預測建模問題的一種簡單而強大的方法。

4. 分類與迴歸樹

決策樹是預測建模機器學習的一種重要算法。

決策樹模型的表示是一個二叉樹。這是算法和數據結構中的二叉樹，沒什麼特別的。每個節點代表一個單獨的輸入變量 x 和該變量上的一個分割點（假設變量是數字）。

決策樹

決策樹的葉節點包含一個用於預測的輸出變量 y。通過遍歷該樹的分割點，直到到達一個葉節點並輸出該節點的類別值就可以作出預測。

決策樹學習速度和預測速度都很快。它們還可以解決大量問題，並且不需要對數據做特別準備。

5. 樸素貝葉斯

樸素貝葉斯是一個簡單但是很強大的預測建模算法。

該模型由兩種概率組成，這兩種概率都可以直接從訓練數據中計算出來：1）每個類別的概率；2）給定每個 x 的值，每個類別的條件概率。一旦計算出來，概率模型可用於使用貝葉斯定理對新數據進行預測。當你的數據是實值時，通常假設一個高斯分佈（鐘形曲線），這樣你可以簡單的估計這些概率。

貝葉斯定理

樸素貝葉斯之所以是樸素的，是因為它假設每個輸入變量是獨立的。這是一個強大的假設，真實的數據並非如此，但是，該技術在大量複雜問題上非常有用。

6. K 近鄰算法

KNN 算法非常簡單且有效。KNN 的模型表示是整個訓練數據集。是不是很簡單？

KNN 算法在整個訓練集中搜索 K 個最相似實例（近鄰）並彙總這 K 個實例的輸出變量，以預測新數據點。對於迴歸問題，這可能是平均輸出變量，對於分類問題，這可能是眾數（或最常見的）類別值。

訣竅在於如何確定數據實例間的相似性。如果屬性的度量單位相同（例如都是用英寸表示），那麼最簡單的技術是使用歐幾里得距離，你可以根據每個輸入變量之間的差值直接計算出來其數值。

K 近鄰算法

KNN 需要大量內存或空間來存儲所有數據，但是隻有在需要預測時才執行計算（或學習）。你還可以隨時更新和管理訓練實例，以保持預測的準確性。

距離或緊密性的概念可能在非常高的維度（很多輸入變量）中會瓦解，這對算法在你的問題上的性能產生負面影響。這被稱為維數災難。因此你最好只使用那些與預測輸出變量最相關的輸入變量。

7. 學習向量量化

K 近鄰算法的一個缺點是你需要遍歷整個訓練數據集。學習向量量化算法（簡稱 LVQ）是一種人工神經網絡算法，它允許你選擇訓練實例的數量，並精確地學習這些實例應該是什麼樣的。

學習向量量化

LVQ 的表示是碼本向量的集合。這些是在開始時隨機選擇的，並逐漸調整以在學習算法的多次迭代中最好地總結訓練數據集。在學習之後，碼本向量可用於預測（類似 K 近鄰算法）。最相似的近鄰（最佳匹配的碼本向量）通過計算每個碼本向量和新數據實例之間的距離找到。然後返回最佳匹配單元的類別值或（迴歸中的實際值）作為預測。如果你重新調整數據，使其具有相同的範圍（比如 0 到 1 之間），就可以獲得最佳結果。

如果你發現 KNN 在你的數據集上達到很好的結果，請嘗試用 LVQ 減少存儲整個訓練數據集的內存要求。

8. 支持向量機（SVM）

支持向量機可能是最受歡迎和最廣泛討論的機器學習算法之一。

超平面是分割輸入變量空間的一條線。在 SVM 中，選擇一條可以最好地根據輸入變量類別（類別 0 或類別 1）對輸入變量空間進行分割的超平面。在二維中，你可以將其視為一條線，我們假設所有的輸入點都可以被這條線完全的分開。SVM 學習算法找到了可以讓超平面對類別進行最佳分割的係數。

支持向量機

超平面和最近的數據點之間的距離被稱為間隔。分開兩個類別的最好的或最理想的超平面具備最大間隔。只有這些點與定義超平面和構建分類器有關。這些點被稱為支持向量，它們支持或定義了超平面。實際上，優化算法用於尋找最大化間隔的係數的值。

SVM 可能是最強大的立即可用的分類器之一，值得一試。