幾種常用的機(jī)器學(xué)習(xí)算法及其應(yīng)用場(chǎng)景

誕生于1956年的人工智能，由于受到智能算法、計(jì)算速度、存儲(chǔ)水平等因素的影響，在六十多年的發(fā)展過(guò)程中經(jīng)歷了多次高潮和低谷。最近幾年，得益于數(shù)據(jù)量的上漲、運(yùn)算力的提升，特別是機(jī)器學(xué)習(xí)新算法的出現(xiàn)，人工智能迎來(lái)了大爆發(fā)的時(shí)代。

提到機(jī)器學(xué)習(xí)這個(gè)詞時(shí)，有些人首先想到的可能是科幻電影里的機(jī)器人。事實(shí)上，機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、算法復(fù)雜度理論等多門學(xué)科。專門研究計(jì)算機(jī)如何模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，利用數(shù)據(jù)或以往的經(jīng)驗(yàn)，以此優(yōu)化計(jì)算機(jī)程序的性能標(biāo)準(zhǔn)。

根據(jù)學(xué)習(xí)任務(wù)的不同，我們可以將機(jī)器學(xué)習(xí)分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)三種類型，而每種類型又對(duì)應(yīng)著一些算法。

各種算法以及對(duì)應(yīng)的任務(wù)類型

接下來(lái)就簡(jiǎn)單介紹幾種常用的機(jī)器學(xué)習(xí)算法及其應(yīng)用場(chǎng)景，通過(guò)本篇文章大家可以對(duì)機(jī)器學(xué)習(xí)的常用算法有個(gè)常識(shí)性的認(rèn)識(shí)。

一、監(jiān)督學(xué)習(xí)

（1）支持向量機(jī)（Support Vector Machine，SVM）：是一類按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，其決策邊界是對(duì)學(xué)習(xí)樣本求解的最大邊距超平面。例如，在紙上有兩類線性可分的點(diǎn)，支持向量機(jī)會(huì)尋找一條直線將這兩類點(diǎn)區(qū)分開(kāi)來(lái)，并且與這些點(diǎn)的距離都盡可能遠(yuǎn)。

優(yōu)點(diǎn)：泛化錯(cuò)誤率低，結(jié)果易解釋。

缺點(diǎn)：對(duì)大規(guī)模訓(xùn)練樣本難以實(shí)施，解決多分類問(wèn)題存在困難，對(duì)參數(shù)調(diào)節(jié)和核函數(shù)的選擇敏感。

應(yīng)用場(chǎng)景：文本分類、人像識(shí)別、醫(yī)學(xué)診斷等。

（2）決策樹（Decision Tree）：是一個(gè)預(yù)測(cè)模型，代表的是對(duì)象屬性與對(duì)象值之間的一種映射關(guān)系。下圖是如何在決策樹中建模的簡(jiǎn)單示例：

優(yōu)點(diǎn)：易于理解和解釋，可以可視化分析，容易提取出規(guī)則;能夠處理不相關(guān)的特征。

缺點(diǎn)：對(duì)缺失數(shù)據(jù)處理比較困難。

應(yīng)用場(chǎng)景：在決策過(guò)程應(yīng)用較多。

（3）樸素貝葉斯分類（Naive Bayesian classification）：對(duì)于給出的待分類項(xiàng)，求解此項(xiàng)出現(xiàn)的條件下各個(gè)類別出現(xiàn)的概率，哪個(gè)最大，就認(rèn)為此待分類屬于哪個(gè)類別。貝葉斯公式為：p（A|B）= p（B|A）*p（A/p（B），其中P（A|B）表示后驗(yàn)概率，P（B|A）是似然值，P（A）是類別的先驗(yàn)概率，P（B）代表預(yù)測(cè)器的先驗(yàn)概率。

優(yōu)點(diǎn)：在數(shù)據(jù)較少的情況下仍然有效，可以處理多類別問(wèn)題。

缺點(diǎn)：對(duì)輸入數(shù)據(jù)的準(zhǔn)備方式較為敏感。

應(yīng)用場(chǎng)景：文本分類、人臉識(shí)別、欺詐檢測(cè)。

（4）k-近鄰算法（K-Nearest Neighbor，KNN）：是一種基于實(shí)例的學(xué)習(xí)，采用測(cè)量不同特征值之間的距離方法進(jìn)行分類。其基本思路是：給定一個(gè)訓(xùn)練樣本集，然后輸入沒(méi)有標(biāo)簽的新數(shù)據(jù)，將新數(shù)據(jù)的每個(gè)特征與樣本集中數(shù)據(jù)對(duì)應(yīng)的特征進(jìn)行比較，找到最鄰近的k個(gè)（通常是不大于20的整數(shù)）實(shí)例，這k個(gè)實(shí)例的多數(shù)屬于某個(gè)類，就把該輸入實(shí)例分類到這個(gè)類中。

優(yōu)點(diǎn)：簡(jiǎn)單、易于理解、易于實(shí)現(xiàn)，無(wú)需估計(jì)參數(shù)。此外，與樸素貝葉斯之類的算法比，無(wú)數(shù)據(jù)輸入假定、準(zhǔn)確度高、對(duì)異常數(shù)據(jù)值不敏感。

缺點(diǎn)：對(duì)于訓(xùn)練數(shù)據(jù)依賴程度比較大，并且缺少訓(xùn)練階段，無(wú)法應(yīng)對(duì)多樣本。

應(yīng)用場(chǎng)景：字符識(shí)別、文本分類、圖像識(shí)別等領(lǐng)域。

二、非監(jiān)督學(xué)習(xí)

（1）主成分分析（Principal Component Analysis，PCA）：是一種統(tǒng)計(jì)方法。其主要思想是將n維特征映射到k維上，這k維是全新的正交特征也被稱為主成分，是在原有n維特征的基礎(chǔ)上重新構(gòu)造出來(lái)的k維特征。

優(yōu)點(diǎn)：降低數(shù)據(jù)的復(fù)雜性，識(shí)別最重要的多個(gè)特征。

缺點(diǎn)：主成分各個(gè)特征維度的含義具有一定的模糊性，不如原始樣本特征的解釋性強(qiáng);有可能損失有用的信息。

應(yīng)用場(chǎng)景：語(yǔ)音、圖像、通信的分析處理。

（2）奇異值分解（Singular Value Decomposition，SVD）：可以將一個(gè)比較復(fù)雜的矩陣用更小更簡(jiǎn)單的幾個(gè)子矩陣的相乘來(lái)表示，這些小矩陣描述的是矩陣的重要的特性。

優(yōu)點(diǎn)：簡(jiǎn)化數(shù)據(jù)，去除噪聲點(diǎn)，提高算法的結(jié)果。

缺點(diǎn)：數(shù)據(jù)的轉(zhuǎn)換可能難以理解。

應(yīng)用場(chǎng)景：推薦系統(tǒng)、圖片壓縮等。

（3）K-均值聚類（K-Means）：是一種迭代求解的聚類分析算法，采用距離作為相似性指標(biāo)。其工作流程是隨機(jī)確定K個(gè)對(duì)象作為初始的聚類中心，然后計(jì)算每個(gè)對(duì)象與各個(gè)種子聚類中心之間的距離，把每個(gè)對(duì)象分配給距離它最近的聚類中心。

優(yōu)點(diǎn)：算法簡(jiǎn)單容易實(shí)現(xiàn)。

缺點(diǎn)：可能收斂到局部最小值，在大規(guī)模數(shù)據(jù)集上收斂較慢。

應(yīng)用場(chǎng)景：圖像處理、數(shù)據(jù)分析以及市場(chǎng)研究等。

三、強(qiáng)化學(xué)習(xí)

Q-learning：是一個(gè)基于值的強(qiáng)化學(xué)習(xí)算法，它根據(jù)動(dòng)作值函數(shù)評(píng)估應(yīng)該選擇哪個(gè)動(dòng)作，這個(gè)函數(shù)決定了處于某一個(gè)特定狀態(tài)以及在該狀態(tài)下采取特定動(dòng)作的獎(jiǎng)勵(lì)期望值。

優(yōu)點(diǎn)：可以接收更廣的數(shù)據(jù)范圍。

缺點(diǎn)：缺乏通用性。

應(yīng)用場(chǎng)景：游戲開(kāi)發(fā)。

以上就是文章的全部?jī)?nèi)容，相信大家對(duì)常用的機(jī)器學(xué)習(xí)算法應(yīng)該有了大致的了解。

現(xiàn)如今，我們?cè)絹?lái)越多地看到機(jī)器學(xué)習(xí)算法為人類帶來(lái)的實(shí)際價(jià)值，如它們提供了關(guān)鍵的洞察力和信息來(lái)報(bào)告戰(zhàn)略決策?？梢钥隙ǖ氖?，隨著機(jī)器學(xué)習(xí)越來(lái)越流行，未來(lái)還將出現(xiàn)越來(lái)越多能很好地處理任務(wù)的算法。