現(xiàn)在，機器學(xué)習(xí)有很多算法。如此多的算法，可能對于初學(xué)者來說，是相當(dāng)不堪重負(fù)的。今天，我們將簡要介紹 10 種最流行的機器學(xué)習(xí)算法，這樣你就可以適應(yīng)這個激動人心的機器學(xué)習(xí)世界了！

01 線性回歸

線性回歸（Linear Regression）可能是最流行的機器學(xué)習(xí)算法。線性回歸就是要找一條直線，并且讓這條直線盡可能地擬合散點圖中的數(shù)據(jù)點。它試圖通過將直線方程與該數(shù)據(jù)擬合來表示自變量（x 值）和數(shù)值結(jié)果（y 值）。然后就可以用這條線來預(yù)測未來的值！

這種算法最常用的技術(shù)是最小二乘法（Least of squares）。這個方法計算出最佳擬合線，以使得與直線上每個數(shù)據(jù)點的垂直距離最小。總距離是所有數(shù)據(jù)點的垂直距離（綠線）的平方和。其思想是通過最小化這個平方誤差或距離來擬合模型。

例如，簡單線性回歸，它有一個自變量（x 軸）和一個因變量（y 軸）。

02 邏輯回歸

邏輯回歸（Logistic regression）與線性回歸類似，但它是用于輸出為二進制的情況（即，當(dāng)結(jié)果只能有兩個可能的值）。對最終輸出的預(yù)測是一個非線性的 S 型函數(shù)，稱為 logistic function, g()。

這個邏輯函數(shù)將中間結(jié)果值映射到結(jié)果變量 Y，其值范圍從 0 到 1。然后，這些值可以解釋為 Y 出現(xiàn)的概率。S 型邏輯函數(shù)的性質(zhì)使得邏輯回歸更適合用于分類任務(wù)。

邏輯回歸曲線圖，顯示了通過考試的概率與學(xué)習(xí)時間的關(guān)系。

03 決策樹

決策樹（Decision Trees）可用于回歸和分類任務(wù)。

在這一算法中，訓(xùn)練模型通過學(xué)習(xí)樹表示（Tree representation）的決策規(guī)則來學(xué)習(xí)預(yù)測目標(biāo)變量的值。樹是由具有相應(yīng)屬性的節(jié)點組成的。

在每個節(jié)點上，我們根據(jù)可用的特征詢問有關(guān)數(shù)據(jù)的問題。左右分支代表可能的答案。最終節(jié)點（即葉節(jié)點）對應(yīng)于一個預(yù)測值。

每個特征的重要性是通過自頂向下方法確定的。節(jié)點越高，其屬性就越重要。

決定是否在餐廳等候的決策樹示例。

04 樸素貝葉斯

樸素貝葉斯（Naive Bayes）是基于貝葉斯定理。它測量每個類的概率，每個類的條件概率給出 x 的值。這個算法用于分類問題，得到一個二進制“是 / 非”的結(jié)果。看看下面的方程式。

樸素貝葉斯分類器是一種流行的統(tǒng)計技術(shù)，可用于過濾垃圾郵件！

05 支持向量機（SVM）

支持向量機（Support Vector Machine，SVM）是一種用于分類問題的監(jiān)督算法。支持向量機試圖在數(shù)據(jù)點之間繪制兩條線，它們之間的邊距最大。為此，我們將數(shù)據(jù)項繪制為 n 維空間中的點，其中，n 是輸入特征的數(shù)量。在此基礎(chǔ)上，支持向量機找到一個最優(yōu)邊界，稱為超平面（Hyperplane），它通過類標(biāo)簽將可能的輸出進行最佳分離。

超平面與最近的類點之間的距離稱為邊距。最優(yōu)超平面具有最大的邊界，可以對點進行分類，從而使最近的數(shù)據(jù)點與這兩個類之間的距離最大化。

例如，H1 沒有將這兩個類分開。但 H2 有，不過只有很小的邊距。而 H3 以最大的邊距將它們分開了。

06 K- 最近鄰算法（KNN）

K- 最近鄰算法（K-Nearest Neighbors，KNN）非常簡單。KNN 通過在整個訓(xùn)練集中搜索 K 個最相似的實例，即 K 個鄰居，并為所有這些 K 個實例分配一個公共輸出變量，來對對象進行分類。

K 的選擇很關(guān)鍵：較小的值可能會得到大量的噪聲和不準(zhǔn)確的結(jié)果，而較大的值是不可行的。它最常用于分類，但也適用于回歸問題。

用于評估實例之間相似性的距離可以是歐幾里得距離（Euclidean distance）、曼哈頓距離（Manhattan distance）或明氏距離（Minkowski distance）。歐幾里得距離是兩點之間的普通直線距離。它實際上是點坐標(biāo)之差平方和的平方根。

▲KNN 分類示例

07 K- 均值

K- 均值（K-means）是通過對數(shù)據(jù)集進行分類來聚類的。例如，這個算法可用于根據(jù)購買歷史將用戶分組。它在數(shù)據(jù)集中找到 K 個聚類。K- 均值用于無監(jiān)督學(xué)習(xí)，因此，我們只需使用訓(xùn)練數(shù)據(jù) X，以及我們想要識別的聚類數(shù)量 K。

該算法根據(jù)每個數(shù)據(jù)點的特征，將每個數(shù)據(jù)點迭代地分配給 K 個組中的一個組。它為每個 K- 聚類（稱為質(zhì)心）選擇 K 個點。基于相似度，將新的數(shù)據(jù)點添加到具有最近質(zhì)心的聚類中。這個過程一直持續(xù)到質(zhì)心停止變化為止。

08 隨機森林

隨機森林（Random Forest）是一種非常流行的集成機器學(xué)習(xí)算法。這個算法的基本思想是，許多人的意見要比個人的意見更準(zhǔn)確。在隨機森林中，我們使用決策樹集成（參見決策樹）。

為了對新對象進行分類，我們從每個決策樹中進行投票，并結(jié)合結(jié)果，然后根據(jù)多數(shù)投票做出最終決定。

1. 在訓(xùn)練過程中，每個決策樹都是基于訓(xùn)練集的引導(dǎo)樣本來構(gòu)建的。
2. 在分類過程中，輸入實例的決定是根據(jù)多數(shù)投票做出的。

09 降維

由于我們今天能夠捕獲的數(shù)據(jù)量之大，機器學(xué)習(xí)問題變得更加復(fù)雜。這就意味著訓(xùn)練極其緩慢，而且很難找到一個好的解決方案。這一問題，通常被稱為“維數(shù)災(zāi)難”（Curse of dimensionality）。

降維（Dimensionality reduction）試圖在不丟失最重要信息的情況下，通過將特定的特征組合成更高層次的特征來解決這個問題。主成分分析（Principal Component Analysis，PCA）是最流行的降維技術(shù)。

主成分分析通過將數(shù)據(jù)集壓縮到低維線或超平面 / 子空間來降低數(shù)據(jù)集的維數(shù)。這盡可能地保留了原始數(shù)據(jù)的顯著特征。

可以通過將所有數(shù)據(jù)點近似到一條直線來實現(xiàn)降維的示例。

10 人工神經(jīng)網(wǎng)絡(luò)（ANN）

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）可以處理大型復(fù)雜的機器學(xué)習(xí)任務(wù)。神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一組帶有權(quán)值的邊和節(jié)點組成的相互連接的層，稱為神經(jīng)元。在輸入層和輸出層之間，我們可以插入多個隱藏層。人工神經(jīng)網(wǎng)絡(luò)使用了兩個隱藏層。除此之外，還需要處理深度學(xué)習(xí)。

人工神經(jīng)網(wǎng)絡(luò)的工作原理與大腦的結(jié)構(gòu)類似。一組神經(jīng)元被賦予一個隨機權(quán)重，以確定神經(jīng)元如何處理輸入數(shù)據(jù)。通過對輸入數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)輸入和輸出之間的關(guān)系。在訓(xùn)練階段，系統(tǒng)可以訪問正確的答案。

如果網(wǎng)絡(luò)不能準(zhǔn)確識別輸入，系統(tǒng)就會調(diào)整權(quán)重。經(jīng)過充分的訓(xùn)練后，它將始終如一地識別出正確的模式。

每個圓形節(jié)點表示一個人工神經(jīng)元，箭頭表示從一個人工神經(jīng)元的輸出到另一個人工神經(jīng)元的輸入的連接。

接下來是什么？現(xiàn)在，你已經(jīng)了解了最流行的機器學(xué)習(xí)算法的基礎(chǔ)介紹。你已經(jīng)準(zhǔn)備好學(xué)習(xí)更為復(fù)雜的概念，甚至可以通過深入的動手實踐來實現(xiàn)它們。如果你想了解如何實現(xiàn)這些算法，可以參考 Educative 出品的 Grokking Data Science 課程，該課程將這些激動人心的理論應(yīng)用于清晰、真實的應(yīng)用程序。

作者：Fahim ul Haq

原文：https://towardsdatascience.com/the-top-10-ml-algorithms-for-data-science-in-5-minutes-4ffbed9c8672