机器学习的算法分类、优劣比较和选择

一、机器学习算法分类
(1)、监督学习:之所以被称为监督学习,是因为这类算法必须知道预测什么,即目标变量的分类信息。输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值称为回归,输出是有限个离散值称为分类
(2)、无监督学习:与监督学习相对应的是无监督学习,此时数据没有类别信息,也不会给目标值。输入数据没有被标记,也没有确定的结果。样本数据类别未知;需要根据样本间的相似性对样本集进行类别划分。在无监督学习中,将数据集合分成类似的对象组成的多个类的过程成为聚类,将寻找描述数据统计值的过程称之为密度估计
有监督和无监督算法对比:
在这里插入图片描述
(3)半监督学习:训练集同时包含有标记样本数据和未标记样本数据。
在这里插入图片描述
(4)、强化学习:实质是“Make decisions”问题,即自动进行决策,并且可以做连续决策。

二、如何选择合适的算法
机器学习的算法中选用实际可用的算法,必须考虑下面两个问题:
(1)、使用机器学习算法的目的,想要算法完成何种任务;
(2)、需要分析或收集的数据是什么。
2.1 朴素贝叶斯:
朴素贝叶斯属于生成式模型(关于生成模型和判别式模型,主要还是在于是否需要求联合分布),比较简单,你只需做一堆计数即可。如果注有条件独立性假设(一个比较严格的条件),朴素贝叶斯分类器的收敛速度将快于判别模型,比如逻辑回归,所以你只需要较少的训练数据即可。即使NB条件独立假设不成立,NB分类器在实践中仍然表现的很出色。它的主要缺点是它不能学习特征间的相互作用,用mRMR中R来讲,就是特征冗余。引用一个比较经典的例子,比如,虽然你喜欢Brad Pitt和Tom Cruise的电影,但是它不能学习出你不喜欢他们在一起演的电影。
优点:
(1)朴素贝叶斯模型发源于古典数学理论,有着坚实的数学基础,以及稳定的分类效率。
(2)对大数量训练和查询时具有较高的速度。即使使用超大规模的训练集,针对每个项目通常也只会有相对较少的特征数,并且对项目的训练和分类也仅仅是特征概率的数学运算而已;
(3)对小规模的数据表现很好,能个处理多分类任务,适合增量式训练(即可以实时的对新增的样本进行训练);
(4)对缺失数据不太敏感,算法也比较简单,常用于文本分类;
(5)朴素贝叶斯对结果解释容易理解;
缺点:
(1)需要计算先验概率;
(2)分类决策存在错误率;
(3)对输入数据的表达形式很敏感;
(4)由于使用了样本属性独立性的假设,所以如果样本属性有关联时其效果不好;

朴素贝叶斯应用领域:
(1)欺诈检测中使用较多;
(2)一封电子邮件是否是垃圾邮件;
(3)一篇文章应该分到科技、政治,还是体育类;
(4)一段文字表达的是积极的情绪还是消极的情绪?
(5)人脸识别。
2.2 Logistic Regression(逻辑回归):
逻辑回归属于判别式模型,同时伴有很多模型正则化的方法(L0, L1,L2,etc),而且你不必像在用朴素贝叶斯那样担心你的特征是否相关。与决策树、SVM相比,你还会得到一个不错的概率解释,你甚至可以轻松地利用新数据来更新模型(使用在线梯度下降算法-online gradient descent)。如果你需要一个概率架构(比如,简单地调节分类阈值,指明不确定性,或者是要获得置信区间),或者你希望以后将更多的训练数据快速整合到模型中去,那么使用它吧。

Sigmoid函数:表达式如下:
在这里插入图片描述
优点:
(1)实现简单,广泛的应用于工业问题上;
(2)分类时计算量非常小,速度很快,存储资源低;
(3)便利的观测样本概率分数;
(4)对逻辑回归而言,多重共线性并不是问题,它可以结合L2正则化来解决该问题;
(5)计算代价不高,易于理解和实现。
缺点:
(1)当特征空间很大时,逻辑回归的性能不是很好;
(2)容易欠拟合,一般准确度不太高
(3)不能很好地处理大量多类特征或变量;
(4)只能处理两分类问题(在此基础上衍生出来的softmax可以用于多分类),且必须线性可分;
(5)对于非线性特征,需要进行转换。
logistic回归应用领域:
(1)用于二分类领域,可以得出概率值,适用于根据分类概率排名的领域,如搜索排名等;
(2)Logistic回归的扩展softmax可以应用于多分类领域,如手写字识别等;
(3)信用评估;
(4)测量市场营销的成功度;
(5)预测某个产品的收益;
(6)特定的某天是否会发生地震。
2.3 线性回归:
线性回归是用于回归的,它不像Logistic回归那样用于分类,其基本思想是用梯度下降法对最小二乘法形式的误差函数进行优化,当然也可以用normal equation直接求得参数的解,结果为::
在这里插入图片描述
而在LWLR(局部加权线性回归)中,参数的计算表达式为:
在这里插入图片描述
由此可见LWLR与LR不同,LWLR是一个非参数模型,因为每次进行回归计算都要遍历训练样本至少一次。

优点: 实现简单,计算简单;

缺点: 不能拟合非线性数据。

2.4 最近邻算法——KNN
KNN即最近邻算法,其主要过程为:
(1)计算训练样本和测试样本中每个样本点的距离(常见的距离度量有欧式距离,马氏距离等);
(2)对上面所有的距离值进行排序(升序);
(3) 选前k个最小距离的样本;
(4)根据这k个样本的标签进行投票,得到最后的分类类别;
如何选择一个最佳的K值,这取决于数据。一般情况下,在分类时较大的K值能够减小噪声的影响,但会使类别之间的界限变得模糊。一个较好的K值可通过各种启发式技术来获取,比如,交叉验证。另外噪声和非相关性特征向量的存在会使K近邻算法的准确性减小。近邻算法具有较强的一致性结果,随着数据趋于无限,算法保证错误率不会超过贝叶斯算法错误率的两倍。对于一些好的K值,K近邻保证错误率不会超过贝叶斯理论误差率。
优点:
(1)理论成熟,思想简单,既可以用来做分类也可以用来做回归;
(2)可用于非线性分类;
(3)训练时间复杂度为O(n);
(4)对数据没有假设,准确度高,对outlier不敏感;
(5)KNN是一种在线技术,新数据可以直接加入数据集而不必进行重新训练;
(6)KNN理论简单,容易实现.
缺点:
(1)样本不平衡问题(即有些类别的样本数量很多,而其它样本的数量很少)效果差;
(2)需要大量内存;
(3)对于样本容量大的数据集计算量比较大(体现在距离计算上);
(4)样本不平衡时,预测偏差比较大。如:某一类的样本比较少,而其它类样本比较多;
(5)KNN每一次分类都会重新进行一次全局运算;
(6)k值大小的选择没有理论选择最优,往往是结合K-折交叉验证得到最优k值选择。
KNN算法应用领域:
文本分类、模式识别、聚类分析,多分类领域。
2.5 决策树:
决策树的一大优势就是易于解释。它可以毫无压力地处理特征间的交互关系并且是非参数化的,因此你不必担心异常值或者数据是否线性可分(举个例子,决策树能轻松处理好类别A在某个特征维度x的末端,类别B在中间,然后类别A又出现在特征维度x前端的情况)。它的缺点之一就是不支持在线学习,于是在新样本到来后,决策树需要全部重建。另一个缺点就是容易出现过拟合,但这也就是诸如随机森林RF(或提升树boosted tree)之类的集成方法的切入点。另外,随机森林经常是很多分类问题的赢家(通常比支持向量机好上那么一丁点),它训练快速并且可调,同时你无须担心要像支持向量机那样调一大堆参数,所以在以前都一直很受欢迎。
决策树中很重要的一点就是选择一个属性进行分枝,因此要注意一下信息增益的计算公式,并深入理解它。
信息熵的计算公式如下:
在这里插入图片描述在这里插入图片描述
决策树自身的优点:
(1)决策树易于理解和解释,可以可视化分析,容易提取出规则;
(2)可以同时处理标称型和数值型数据;
(3)比较适合处理有缺失属性的样本;
(4)能够处理不相关的特征;
(5)测试数据集时,运行速度比较快;
(6)在相对短的时间内能够对大型数据源做出可行且效果良好的结果。
缺点:
(1)容易发生过拟合(随机森林可以很大程度上减少过拟合);
(2)容易忽略数据集中属性的相互关联;
(3)对于那些各类别样本数量不一致的数据,在决策树中,进行属性划分时,不同的判定准则会带来不同的属性选择倾向;信息增益准则对可取数目较多的属性有所偏好(典型代表ID3算法),而增益率准则(CART)则对可取数目较少的属性有所偏好,但CART进行属性划分时候不再简单地直接利用增益率尽心划分,而是采用一种启发式规则)(只要是使用了信息增益,都有这个缺点,如RF)。
(4)ID3算法计算信息增益时结果偏向数值比较多的特征。
改进措施:
对决策树进行剪枝。可以采用交叉验证法和加入正则化的方法。
使用基于决策树的combination算法,如bagging算法,randomforest算法,可以解决过拟合的问题;
应用领域:
企业管理实践,企业投资决策,由于决策树很好的分析能力,在决策过程应用较多。

2.5.1 ID3、C4.5算法:
ID3算法是以信息论为基础,以信息熵和信息增益度为衡量标准,从而实现对数据的归纳分类。ID3算法计算每个属性的信息增益,并选取具有最高增益的属性作为给定的测试属性。
C4.5算法核心思想是ID3算法,是ID3算法的改进,改进方面有: 用信息增益率来选择属性,克服了用信息增益选择属性时偏向选择取值多的属性的不足;在树构造过程中进行剪枝;能处理非离散的数据;能处理不完整的数据。
优点:
产生的分类规则易于理解,准确率较高。
缺点:
(1)在构造树的过程中,需要对数据集进行多次的顺序扫描和排序,因而导致算法的低效;
(2)C4.5只适合于能够驻留于内存的数据集,当训练集大得无法在内存容纳时程序无法运行。
2.5.2 CART分类与回归树:
是一种决策树分类方法,采用基于最小距离的基尼指数估计函数,用来决定由该子数据集生成的决策树的拓展形。如果目标变量是标称的,称为分类树;如果目标变量是连续的,称为回归树。分类树是使用树结构算法将数据分成离散类的方法。
优点:
(1)非常灵活,可以允许有部分错分成本,还可指定先验概率分布,可使用自动的成本复杂性剪枝来得到归纳性更强的树。
(2)在面对诸如存在缺失值、变量数多等问题时CART 显得非常稳健。
2.6 Adaboosting
Adaboost是一种加和模型,每个模型都是基于上一次模型的错误率来建立的,过分关注分错的样本,而对正确分类的样本减少关注度,逐次迭代之后,可以得到一个相对较好的模型。该算法是一种典型的boosting算法,其加和理论的优势可以使用Hoeffding不等式得以解释。有兴趣的同学可以阅读下自己之前写的这篇文章AdaBoost算法详述.下面总结下它的优缺点。
优点:
(1)Adaboost是一种有很高精度的分类器;
(2)可以使用各种方法构建子分类器,Adaboost算法提供的是框架;
(3)当使用简单分类器时,计算出的结果是可以理解的,并且弱分类器的构造极其简单;
(4)简单,不用做特征筛选;
(5)不易发生overfitting。
缺点:
对outlier比较敏感。
2.7 SVM支持向量机:
支持向量机,一个经久不衰的算法,高准确率,为避免过拟合提供了很好的理论保证,而且就算数据在原特征空间线性不可分,只要给个合适的核函数,它就能运行得很好。在动辄超高维的文本分类问题中特别受欢迎。可惜内存消耗大,难以解释,运行和调参也有些烦人,而随机森林却刚好避开了这些缺点,比较实用。
优点:
(1)可以解决高维问题,即大型特征空间;
(2)解决小样本下机器学习问题;
(3)能够处理非线性特征的相互作用;
(4)无局部极小值问题;(相对于神经网络等算法)
(5)无需依赖整个数据;
(6)泛化能力比较强;
缺点:
(1)当观测样本很多时,效率并不是很高;
(2)对非线性问题没有通用解决方案,有时候很难找到一个合适的核函数;
(3)对于核函数的高维映射解释力不强,尤其是径向基函数;
(4)常规SVM只支持二分类;
(5)对缺失数据敏感;
(6)对于核的选择也是有技巧的(libsvm中自带了四种核函数:线性核、多项式核、RBF以及sigmoid核):
第一,如果样本数量小于特征数,那么就没必要选择非线性核,简单的使用线性核就可以了;
第二,如果样本数量大于特征数目,这时可以使用非线性核,将样本映射到更高维度,一般可以得到更好的结果;
第三,如果样本数目和特征数目相等,该情况可以使用非线性核,原理和第二种一样。
对于第一种情况,也可以先对数据进行降维,然后使用非线性核,这也是一种方法。
SVM应用领域:
文本分类、图像识别(主要二分类领域,毕竟常规SVM只能解决二分类问题)
2.8 人工神经网络的优缺点:
人工神经网络的优点:
(1)分类的准确度高;
(2)并行分布处理能力强,分布存储及学习能力强;
(3)对噪声神经有较强的鲁棒性和容错能力;
(4)具备联想记忆的功能,能充分逼近复杂的非线性关系。
人工神经网络的缺点:
(1)神经网络需要大量的参数,如网络拓扑结构、权值和阈值的初始值;
(2)黑盒过程,不能观察之间的学习过程,输出结果难以解释,会影响到结果的可信度和可接受程度;
(3)学习时间过长,有可能陷入局部极小值,甚至可能达不到学习的目的。
人工神经网络应用领域::
目前深度神经网络已经应用与计算机视觉,自然语言处理,语音识别等领域并取得很好的效果。
2.9 K-Means聚类:
是一个简单的聚类算法,把n的对象根据他们的属性分为k个分割,k< n。 算法的核心就是要优化失真函数J,使其收敛到局部最小值但不是全局最小值。
关于K-Means聚类的文章,参见机器学习算法-K-means聚类。关于K-Means的推导,里面可是有大学问的,蕴含着强大的EM思想。
优点:
(1)算法简单,容易实现 ;
(2)算法速度很快;
(3)对处理大数据集,该算法是相对可伸缩的和高效率的,因为它的复杂度大约是O(nkt),其中n是所有对象的数目,k是簇的数目,t是迭代的次数。通常k<<n。这个算法通常局部收敛。
(4)算法尝试找出使平方误差函数值最小的k个划分。当簇是密集的、球状或团状的,且簇与簇之间区别明显时,聚类效果较好。
缺点:
(1)对数据类型要求较高,适合数值型数据;
(2)可能收敛到局部最小值,在大规模数据上收敛较慢
(3)分组的数目k是一个输入参数,不合适的k可能返回较差的结果。
(4)对初值的簇心值敏感,对于不同的初始值,可能会导致不同的聚类结果;
(5)不适合于发现非凸面形状的簇,或者大小差别很大的簇。
(6)对于”噪声”和孤立点数据敏感,少量的该类数据能够对平均值产生极大影响。
2.10 EM最大期望算法:
EM算法是基于模型的聚类方法,是在概率模型中寻找参数最大似然估计的算法,其中概率模型依赖于无法观测的隐藏变量。E步估计隐含变量,M步估计其他参数,交替将极值推向最大。

EM算法比K-means算法计算复杂,收敛也较慢,不适于大规模数据集和高维数据,但比K-means算法计算结果稳定、准确。EM经常用在机器学习和计算机视觉的数据集聚(Data Clustering)领域。

2.11 集成算法(AdaBoost算法):
AdaBoost算法优点:
很好的利用了弱分类器进行级联;
可以将不同的分类算法作为弱分类器;
AdaBoost具有很高的精度;
相对于bagging算法和Random Forest算法,AdaBoost充分考虑的每个分类器的权重。
Adaboost算法缺点:
AdaBoost迭代次数也就是弱分类器数目不太好设定,可以使用交叉验证来进行确定;
数据不平衡导致分类精度下降;
训练比较耗时,每次重新选择当前分类器最好切分点;
AdaBoost应用领域:
模式识别、计算机视觉领域,用于二分类和多分类场景。
2.12 排序算法(PageRank):
PageRank是google的页面排序算法,是基于从许多优质的网页链接过来的网页,必定还是优质网页的回归关系,来判定所有网页的重要性。(也就是说,一个人有着越多牛X朋友的人,他是牛X的概率就越大。)
PageRank优点:
完全独立于查询,只依赖于网页链接结构,可以离线计算。
PageRank缺点:
(1)PageRank算法忽略了网页搜索的时效性;
(2)旧网页排序很高,存在时间长,积累了大量的in-links,拥有最新资讯的新网页排名却很低,因为它们几乎没有in-links。
2.13 关联规则算法(Apriori算法):
Apriori算法是一种挖掘关联规则的算法,用于挖掘其内含的、未知的却又实际存在的数据关系,其核心是基于两阶段频集思想的递推算法 。
Apriori算法分为两个阶段:
寻找频繁项集
由频繁项集找关联规则
算法缺点:
在每一步产生侯选项目集时循环产生的组合过多,没有排除不应该参与组合的元素;
每次计算项集的支持度时,都对数据库中 的全部记录进行了一遍扫描比较,需要很大的I/O负载。
三、算法选择参考:
首当其冲应该选择的就是逻辑回归,如果它的效果不怎么样,那么可以将它的结果作为基准来参考,在基础上与其他算法进行比较;
然后试试决策树(随机森林)看看是否可以大幅度提升你的模型性能。即便最后你并没有把它当做为最终模型,你也可以使用随机森林来移除噪声变量,做特征选择;
如果特征的数量和观测样本特别多,那么当资源和时间充足时(这个前提很重要),使用SVM不失为一种选择。
通常情况下:【GBDT>=SVM>=RF>=Adaboost>=Other…】,现在深度学习很热门,很多领域都用到,它是以神经网络为基础的。
算法固然重要,但好的数据却要优于好的算法,设计优良特征是大有裨益的。假如你有一个超大数据集,那么无论你使用哪种算法可能对分类性能都没太大影响(此时就可以根据速度和易用性来进行抉择)。

  • 6
    点赞
  • 68
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Z_凌云

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值