你应该知道的机器学习方法

你应该知道的机器学习方法

http://www.csdn.net/article/2015-11-02/2826107

https://dzone.com/articles/selecting-the-right-machine-learning-approach

识别机器学习类别

尽管供应商和算法多的让人有些眼花缭乱，但事实上机器学习方法只有那么几类。首先，从你需要解决的问题开始识别方法，然后你就可以缩小供应商和支持此方法的最佳工具。这看起来可能很明显，但我都不知道有多少次看到一些公司在理解需求或方法之前就开始使用特定的工具了（Hadoop，还有其它的吗？）。

最常见的方法如下：

• Feature Extraction（特征提取）：这种方法需要一个类似文本、图像、视频、音频的原始输入，然后提取可以在随后的机器学习算法中使用的相关“特征”和模式。这与其自身并不是息息相关，但却是一个重要的预处理步骤。
• Clustering（聚类）：此方法也称作"unsupervised learning（无监督学习）"，它基于相似性原理将原始数据或特征和组对象组放到一起。唯一真正的要求就是对象需要一种比较相似性的手段，例如，比较它们相似或不同的方法。
• Classification（分类）：此方法也称作“supervised learning（监督学习）”，分类需要原始数据或特征，以及一个用户定义的类别，然后开发规则将这些对象归入到这些类别中。这种规则接着可以用来预测新的、没有类别的对象。这种技术也有助于标记内容，例如，图片、视频和产品。
• Prediction（预测）：此方法根据已知的数据来确定关系，并制定规则，然后预测未来的事件，例如，一个客户的离开（“客户流失”）或一个人会不会买这件商品（“推荐引擎”）。预测的过程真的很有趣，做预测的一个最佳理由就是：谁不想预测未来呢？

该列表看似很短，然而很多公司在实践中都曾在其中绊倒过，简而言之就这几个。即使更先进的解决方案，如谷歌的无人驾驶汽车使用的也是这些基本的构建模块：特征提取（将其三维空间降解为一系列机器可读的对象），分类（这些物体看起来像一辆车，那些对象看起来像行人），预测（如果是红灯，我前面的车将会停止）。