机器学习中各个算法的优缺点（三）

其实在我们的生活中有很多技术都是利用到了机器学习，比如说推荐系统、智能图片美化和聊天机器人等，这些技术在机器学习和数据处理算法的帮助下已经被大家广泛使用。在这篇文章中我们给大家介绍一下机器学习中的深度学习以及支持向量机和降维算法的相关知识，希望这篇文章能够更好地帮助大家理解机器学习。

首先我们说一下深度学习，深度学习是人工神经网络的最新分支，它受益于当代硬件的快速发展。众多研究者目前的方向主要集中于构建更大、更复杂的神经网络，目前有许多方法正在聚焦半监督学习问题，其中用于训练的大数据集只包含很少的标记。深度学习的例子有很多，比如说深玻耳兹曼机（Deep Boltzmann Machine，DBM）、Deep Belief Networks（DBN）、卷积神经网络（CNN）、Stacked Auto-Encoders。而深度学习的优点和缺点是一样的，就是，在语音、语义、视觉、各类游戏（如围棋）的任务中表现极好，算法可以快速调整，并且能够适应新的问题。缺点就是需要大量数据进行训练、训练要求很高的硬件配置、模型处于「黑箱状态」，难以理解内部机制、元参数（Metaparameter）与网络拓扑选择困难。

下面我们给大家介绍一下支持向量机，当给定一组训练事例，其中每个事例都属于两个类别中的一个，支持向量机（SVM）训练算法可以在被输入新的事例后将其分类到两个类别中的一个，使自身成为非概率二进制线性分类器。而支持向量机模型将训练事例表示为空间中的点，它们被映射到一幅图中，由一条明确的、尽可能宽的间隔分开以区分两个类别。随后，新的示例会被映射到同一空间中，并基于它们落在间隔的哪一侧来预测它属于的类别。支持向量机的优点就是在非线性可分问题上表现优秀。缺点就是非常难以训练，并且很难解释。

而降维算法是机器学习中一个有名的算法，这种算法和集簇方法类似，降维追求并利用数据的内在结构，目的在于使用较少的信息总结或描述数据。而这一算法可用于可视化高维数据或简化接下来可用于监督学习中的数据。许多这样的方法可针对分类和回归的使用进行调整。降维算法的案例有很多，比如说主成分分析、主成分回归、偏最小二乘回归、Sammon 映射、多维尺度变换、投影寻踪、线性判别分析、混合判别分析、二次判别分析、灵活判别分析。降维算法的优点就是可处理大规模数据集以及无需在数据上进行假设。缺点就是难以搞定非线性数据、难以理解结果的意义。

在这篇文章中我们给大家介绍了很多关于机器学习的算法，具体包括深度学习、支持向量机以及降维算法。学习这些知识是个挺枯燥的过程，但坚持下来你就会享受到成果的喜悦。因此，一定要加油喔，功夫不负有心人。