深入了解六種最重要的機(jī)器學(xué)習(xí)算法類型

在過去的幾年里，我根據(jù)自己的工作經(jīng)驗(yàn)，與其他數(shù)據(jù)科學(xué)家的交流，包括在網(wǎng)上閱讀到的內(nèi)容，匯編了自認(rèn)為最重要的機(jī)器學(xué)習(xí)算法。

今年，我想在去年發(fā)表文章的基礎(chǔ)上提供各類別中更多的模型。希望提供一個(gè)工具和技術(shù)的寶庫(kù)，你可以將其作為書簽，這樣就可以解決各種數(shù)據(jù)科學(xué)的問題了。

說(shuō)到這里，讓我們深入了解以下六種最重要的機(jī)器學(xué)習(xí)算法類型。

解釋型算法

模式挖掘算法

集成算法

聚類算法

時(shí)間序列算法

相似度算法

?

解釋型算法

機(jī)器學(xué)習(xí)面臨的一大問題是理解各種模型如何達(dá)到最終預(yù)測(cè)，我們經(jīng)常知道是“什么”，但很難解釋“為什么”。

解釋型算法幫助我們識(shí)別那些對(duì)我們感興趣的結(jié)果有重要影響的變量。這些算法使我們能夠理解模型中變量之間的關(guān)系，而不僅僅是用模型來(lái)對(duì)結(jié)果進(jìn)行預(yù)測(cè)。

有幾種算法可以用來(lái)更好地理解某個(gè)模型的自變量和因變量之間的關(guān)系。

算法

線性/邏輯回歸：對(duì)因變量和一個(gè)或多個(gè)自變量之間的線性關(guān)系進(jìn)行建模的一種統(tǒng)計(jì)方法——可用于了解基于t-檢驗(yàn)和系數(shù)的變量之間的關(guān)系。

決策樹：一種機(jī)器學(xué)習(xí)算法，為決策及其可能的后果創(chuàng)建一個(gè)樹狀模型，有助于通過觀察分支進(jìn)行分割的規(guī)則進(jìn)而理解變量之間的關(guān)系。

主成分分析（PCA）：一種降維技術(shù)，將數(shù)據(jù)投射到一個(gè)較低的維度空間，同時(shí)保留盡可能多的差異。PCA可用于簡(jiǎn)化數(shù)據(jù)或確定重要特征。

局部可解釋模型——不可知論解釋（LIME）：一種解釋機(jī)器學(xué)習(xí)模型預(yù)測(cè)的算法，使用線性回歸或決策樹等技術(shù)構(gòu)建一個(gè)更簡(jiǎn)單的模型，通過預(yù)測(cè)周圍情況局部近似地解釋模型。

沙普利加法解釋（SHAPLEY）：一種解釋機(jī)器學(xué)習(xí)模型的預(yù)測(cè)算法，通過基于“邊際貢獻(xiàn)”的方法計(jì)算每個(gè)特征對(duì)預(yù)測(cè)的貢獻(xiàn)。在某些情況下，它比SHAP更準(zhǔn)確。

沙普利近似法（SHAP）：一種通過預(yù)估每個(gè)特征在預(yù)測(cè)中的重要性來(lái)解釋機(jī)器學(xué)習(xí)模型預(yù)測(cè)的方法。SHAP使用一種叫做“合作博弈”的方法來(lái)近似Shapley值(Shapley value)，通常比SHAPLEY更快。

?

模式挖掘算法

模式挖掘算法是一種數(shù)據(jù)挖掘技術(shù)，用于識(shí)別數(shù)據(jù)集中的模式和關(guān)系。這些算法可用于實(shí)現(xiàn)各種目的，如識(shí)別零售業(yè)中的客戶購(gòu)買模式，了解網(wǎng)站/應(yīng)用程序的常見用戶行為序列，或在科學(xué)研究中尋找不同變量之間的關(guān)系。

模式挖掘算法通常通過分析大型數(shù)據(jù)集和尋找重復(fù)模式或變量之間的關(guān)聯(lián)展開工作。一旦這些模式被識(shí)別出來(lái)，它們就可以用來(lái)預(yù)測(cè)未來(lái)的趨勢(shì)或結(jié)果，或者理解數(shù)據(jù)中的潛在關(guān)系。

算法

Apriori算法：一種用于在事務(wù)數(shù)據(jù)庫(kù)中查找頻繁項(xiàng)集的算法——高效且廣泛用于關(guān)聯(lián)規(guī)則挖掘任務(wù)。

遞歸神經(jīng)網(wǎng)絡(luò) (RNN)：一種神經(jīng)網(wǎng)絡(luò)算法，旨在處理序列數(shù)據(jù)，能夠獲取數(shù)據(jù)中的時(shí)間依賴性。

長(zhǎng)短期記憶網(wǎng)絡(luò) (LSTM)：一種循環(huán)神經(jīng)網(wǎng)絡(luò)，旨在可以更長(zhǎng)時(shí)間地記住信息。LSTM能夠獲取數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系，通常用于語(yǔ)言翻譯和語(yǔ)言生成等任務(wù)中。

使用等價(jià)類的序列模式發(fā)現(xiàn)(SPADE)：一種通過將某種意義上等價(jià)的項(xiàng)目組合在一起，從而查找序列數(shù)據(jù)中經(jīng)常出現(xiàn)的模式的方法。這種方法能夠高效處理大型數(shù)據(jù)集，但可能不適用于稀疏數(shù)據(jù)。

前綴投影的模式挖掘（PrefixSpan)：一種通過構(gòu)建前綴樹并修剪不常見項(xiàng)目的方式查找序列數(shù)據(jù)中常見模式的算法。PrefixScan能夠高效處理大型數(shù)據(jù)集，但可能不適用于稀疏數(shù)據(jù)。

?

集成算法

作為機(jī)器學(xué)習(xí)技術(shù)，集成算法結(jié)合多模型，從而做出比任何單獨(dú)模型更準(zhǔn)確的預(yù)測(cè)。集成算法能夠勝過傳統(tǒng)機(jī)器學(xué)習(xí)算法的原因有幾個(gè)：

多樣性。通過結(jié)合多模型預(yù)測(cè)，集成算法可以捕捉到數(shù)據(jù)中更廣泛的模式。

穩(wěn)健性。集成算法通常對(duì)數(shù)據(jù)中的噪音和異常值不那么敏感，這可以使預(yù)測(cè)更加穩(wěn)定和可靠。

減少過度擬合。通過對(duì)多模型的平均化預(yù)測(cè)，集成算法可以減少單個(gè)模型對(duì)訓(xùn)練數(shù)據(jù)的過度擬合，從而提升對(duì)新數(shù)據(jù)的集成。

提高準(zhǔn)確性。集成算法已被證明在各種情況下都保持相較于傳統(tǒng)機(jī)器學(xué)習(xí)算法的優(yōu)勢(shì)。

算法

隨機(jī)森林：一種機(jī)器學(xué)習(xí)算法，它構(gòu)建了一個(gè)決策樹的集合，并根據(jù)樹的多數(shù)“投票”進(jìn)行預(yù)測(cè)。

極限梯度提升算法（XGBoost）：一種梯度提升算法，使用決策樹作為其基礎(chǔ)模型，被稱為最強(qiáng)的機(jī)器學(xué)習(xí)預(yù)測(cè)算法之一。

LightGBM：另一種梯度提升算法，旨在比其他提升算法更快、更高效。

CatBoost：一種梯度提升算法，專門被設(shè)計(jì)處理分類變量。

?

聚類算法

聚類算法是一種無(wú)監(jiān)督的學(xué)習(xí)作業(yè)，用于將數(shù)據(jù)分為“群組”。與目標(biāo)變量已知的監(jiān)督式學(xué)習(xí)相比，聚類算法中沒有目標(biāo)變量。

這項(xiàng)技術(shù)對(duì)于尋找數(shù)據(jù)中的自然模式和趨勢(shì)非常有用，并且經(jīng)常在數(shù)據(jù)分析階段使用，以獲得對(duì)數(shù)據(jù)的進(jìn)一步理解。此外，聚類算法可以用來(lái)根據(jù)各種變量將數(shù)據(jù)集劃分為不同的部分，一個(gè)常見應(yīng)用是在細(xì)分客戶或用戶的時(shí)候。

算法

K-Modes聚類：一種專門為分類數(shù)據(jù)設(shè)計(jì)的聚類算法，能夠很好地處理高維分類數(shù)據(jù)，而且實(shí)現(xiàn)起來(lái)相對(duì)簡(jiǎn)單。

DBSCAN密度聚類：一種基于密度的聚類算法，能夠識(shí)別任意形狀的聚類。它對(duì)噪聲處理相對(duì)穩(wěn)健，能夠識(shí)別數(shù)據(jù)中的異常值。

譜系聚類法：一種聚類算法，使用相似性矩陣的特征向量來(lái)將數(shù)據(jù)點(diǎn)歸入聚類,能夠處理非線性可分離的數(shù)據(jù)，并且相對(duì)高效。

?

時(shí)間序列算法

時(shí)間序列算法是用于分析與時(shí)間有關(guān)的數(shù)據(jù)的技術(shù)。這些算法考慮到一個(gè)系列中的數(shù)據(jù)點(diǎn)之間的時(shí)間依賴性，這在對(duì)未來(lái)價(jià)值進(jìn)行預(yù)測(cè)時(shí)尤其重要。

時(shí)間序列算法被用于各種商業(yè)應(yīng)用中，如預(yù)測(cè)產(chǎn)品需求、銷售，或分析客戶在一段時(shí)間內(nèi)的行為，它們還可以用來(lái)檢測(cè)數(shù)據(jù)中的異常情況或趨勢(shì)變化。

算法

Prophet時(shí)間序列模型：一個(gè)由Facebook開發(fā)的時(shí)間序列預(yù)測(cè)算法，設(shè)計(jì)直觀、易于使用。它的一些主要優(yōu)勢(shì)包括處理缺失數(shù)據(jù)和預(yù)測(cè)趨勢(shì)變化，對(duì)異常值具有魯棒性，可以快速擬合。

自回歸綜合移動(dòng)平均法（ARIMA）：一種用于預(yù)測(cè)時(shí)間序列數(shù)據(jù)的統(tǒng)計(jì)方法，對(duì)數(shù)據(jù)和其滯后值之間的相關(guān)性進(jìn)行建模。ARIMA可以處理廣泛的時(shí)間序列數(shù)據(jù)，但比其他的一些方法更難實(shí)現(xiàn)。

指數(shù)平滑法：一種預(yù)測(cè)時(shí)間序列數(shù)據(jù)的方法，使用過去數(shù)據(jù)的加權(quán)平均來(lái)進(jìn)行預(yù)測(cè)。指數(shù)平滑法的實(shí)現(xiàn)相對(duì)簡(jiǎn)單，可以用于廣泛的數(shù)據(jù)，但可能不如更復(fù)雜的方法表現(xiàn)出色。

?

相似度算法

相似度算法被用來(lái)衡量一對(duì)記錄、節(jié)點(diǎn)、數(shù)據(jù)點(diǎn)或文本之間的相似性。這些算法可以基于兩個(gè)數(shù)據(jù)點(diǎn)之間的距離（如歐氏距離）或文本的相似性（如Levenshtein算法）。

這些算法有廣泛應(yīng)用，尤其在推薦方面特別有用。它們可以用來(lái)識(shí)別類似的項(xiàng)目或向用戶推薦相關(guān)內(nèi)容。

算法

歐氏距離：對(duì)歐氏空間中兩點(diǎn)之間直線距離的測(cè)量。歐氏距離計(jì)算簡(jiǎn)單，在機(jī)器學(xué)習(xí)中被廣泛使用，但在數(shù)據(jù)分布不均勻的情況下可能不是最佳選擇。

余弦相似度：基于兩個(gè)向量之間的角度來(lái)衡量它們的相似度。

Levenshtein算法：一種測(cè)量?jī)蓚€(gè)字符串之間距離的算法，基于將一個(gè)字符串轉(zhuǎn)化為另一個(gè)字符串所需的最小單字符編輯數(shù)（插入、刪除或替換）。Levenshtein算法通常用于拼寫檢查和字符串匹配的任務(wù)中。

Jaro-Winkler算法：一種測(cè)量?jī)蓚€(gè)字符串之間相似度的算法，基于匹配字符的數(shù)量和轉(zhuǎn)置的數(shù)量。它與Levenshtein算法類似，經(jīng)常被用于記錄鏈接和實(shí)體解析的任務(wù)中。

奇異值分解（SVD）：一種矩陣分解方法，將一個(gè)矩陣分解為三個(gè)矩陣的乘積，在最先進(jìn)的推薦系統(tǒng)中，奇異值分解是重要的組成部分。

編輯：黃飛

?