常見機器學習算法比較

時間 2019-12-08

標籤常見機器學習算法比較简体版

原文原文鏈接

本文轉載自：http://www.afenxi.com/post/20664前端

　　摘要：機器學習算法太多了，分類、迴歸、聚類、推薦、圖像識別領域等等，要想找到一個合適算法真的不容易，因此在實際應用中，咱們通常都是採用啓發式學習方式來實驗。本文主要回顧下幾個經常使用算法的適應場景及其優缺點！（提示：部份內容摘自網絡）。算法

機器學習算法太多了，分類、迴歸、聚類、推薦、圖像識別領域等等，要想找到一個合適算法真的不容易，因此在實際應用中，咱們通常都是採用啓發式學習方式來實驗。一般最開始咱們都會選擇你們廣泛認同的算法，諸如SVM，GBDT，Adaboost，如今深度學習很火熱，神經網絡也是一個不錯的選擇。假如你在意精度（accuracy）的話，最好的方法就是經過交叉驗證（cross-validation）對各個算法一個個地進行測試，進行比較，而後調整參數確保每一個算法達到最優解，最後選擇最好的一個。可是若是你只是在尋找一個「足夠好」的算法來解決你的問題，或者這裏有些技巧能夠參考，下面來分析下各個算法的優缺點，基於算法的優缺點，更易於咱們去選擇它。網絡

誤差&方差

在統計學中，一個模型好壞，是根據誤差和方差來衡量的，因此咱們先來普及一下誤差和方差：架構

誤差：描述的是預測值（估計值）的指望E’與真實值Y之間的差距。誤差越大，越偏離真實數據。

方差：描述的是預測值P的變化範圍，離散程度，是預測值的方差，也就是離其指望值E的距離。方差越大，數據的分佈越分散。

模型的真實偏差是二者之和，以下圖：框架

若是是小訓練集，高誤差/低方差的分類器（例如，樸素貝葉斯NB）要比低誤差/高方差大分類的優點大（例如，KNN），由於後者會過擬合。可是，隨着你訓練集的增加，模型對於原數據的預測能力就越好，誤差就會下降，此時低誤差/高方差分類器就會漸漸的表現其優點（由於它們有較低的漸近偏差），此時高誤差分類器此時已經不足以提供準確的模型了。機器學習

固然，你也能夠認爲這是生成模型（NB）與判別模型（KNN）的一個區別。函數

爲何說樸素貝葉斯是高誤差低方差?post

如下內容引自知乎：性能

首先，假設你知道訓練集和測試集的關係。簡單來說是咱們要在訓練集上學習一個模型，而後拿到測試集去用，效果好很差要根據測試集的錯誤率來衡量。但不少時候，咱們只能假設測試集和訓練集的是符合同一個數據分佈的，但卻拿不到真正的測試數據。這時候怎麼在只看到訓練錯誤率的狀況下，去衡量測試錯誤率呢？學習

因爲訓練樣本不多（至少不足夠多），因此經過訓練集獲得的模型，總不是真正正確的。（就算在訓練集上正確率100%，也不能說明它刻畫了真實的數據分佈，要知道刻畫真實的數據分佈纔是咱們的目的，而不是隻刻畫訓練集的有限的數據點）。並且，實際中，訓練樣本每每還有必定的噪音偏差，因此若是太追求在訓練集上的完美而採用一個很複雜的模型，會使得模型把訓練集裏面的偏差都當成了真實的數據分佈特徵，從而獲得錯誤的數據分佈估計。這樣的話，到了真正的測試集上就錯的一塌糊塗了（這種現象叫過擬合）。可是也不能用太簡單的模型，不然在數據分佈比較複雜的時候，模型就不足以刻畫數據分佈了（體現爲連在訓練集上的錯誤率都很高，這種現象較欠擬合）。過擬合代表採用的模型比真實的數據分佈更復雜，而欠擬合表示採用的模型比真實的數據分佈要簡單。

在統計學習框架下，你們刻畫模型複雜度的時候，有這麼個觀點，認爲Error = Bias + Variance。這裏的Error大概能夠理解爲模型的預測錯誤率，是有兩部分組成的，一部分是因爲模型太簡單而帶來的估計不許確的部分（Bias），另外一部分是因爲模型太複雜而帶來的更大的變化空間和不肯定性（Variance）。

因此，這樣就容易分析樸素貝葉斯了。它簡單的假設了各個數據之間是無關的，是一個被嚴重簡化了的模型。因此，對於這樣一個簡單模型，大部分場合都會Bias部分大於Variance部分，也就是說高誤差而低方差。

在實際中，爲了讓Error儘可能小，咱們在選擇模型的時候須要平衡Bias和Variance所佔的比例，也就是平衡over-fitting和under-fitting。

誤差和方差與模型複雜度的關係使用下圖更加明瞭：

當模型複雜度上升的時候，誤差會逐漸變小，而方差會逐漸變大。

常見算法優缺點

1.樸素貝葉斯

樸素貝葉斯屬於生成式模型（關於生成模型和判別式模型，主要仍是在因而否是要求聯合分佈），很是簡單，你只是作了一堆計數。若是注有條件獨立性假設（一個比較嚴格的條件），樸素貝葉斯分類器的收斂速度將快於判別模型，如邏輯迴歸，因此你只須要較少的訓練數據便可。即便NB條件獨立假設不成立，NB分類器在實踐中仍然表現的很出色。它的主要缺點是它不能學習特徵間的相互做用，用mRMR中R來說，就是特徵冗餘。引用一個比較經典的例子，好比，雖然你喜歡Brad Pitt和Tom Cruise的電影，可是它不能學習出你不喜歡他們在一塊兒演的電影。

優勢：

樸素貝葉斯模型發源於古典數學理論，有着堅實的數學基礎，以及穩定的分類效率。
對小規模的數據表現很好，能個處理多分類任務，適合增量式訓練；
對缺失數據不太敏感，算法也比較簡單，經常使用於文本分類。

缺點：

須要計算先驗機率；
分類決策存在錯誤率；
對輸入數據的表達形式很敏感。

2.Logistic Regression（邏輯迴歸）

屬於判別式模型，有不少正則化模型的方法（L0， L1，L2，etc），並且你沒必要像在用樸素貝葉斯那樣擔憂你的特徵是否相關。與決策樹與SVM機相比，你還會獲得一個不錯的機率解釋，你甚至能夠輕鬆地利用新數據來更新模型（使用在線梯度降低算法，online gradient descent）。若是你須要一個機率架構（好比，簡單地調節分類閾值，指明不肯定性，或者是要得到置信區間），或者你但願之後將更多的訓練數據快速整合到模型中去，那麼使用它吧。

Sigmoid函數：

優勢：

實現簡單，普遍的應用於工業問題上；
分類時計算量很是小，速度很快，存儲資源低；
便利的觀測樣本機率分數；
對邏輯迴歸而言，多重共線性並非問題，它能夠結合L2正則化來解決該問題；

缺點：

當特徵空間很大時，邏輯迴歸的性能不是很好；
容易欠擬合，通常準確度不過高
不能很好地處理大量多類特徵或變量；
只能處理兩分類問題（在此基礎上衍生出來的softmax能夠用於多分類），且必須線性可分；
對於非線性特徵，須要進行轉換；

3.線性迴歸

線性迴歸是用於迴歸的，而不像Logistic迴歸是用於分類，其基本思想是用梯度降低法對最小二乘法形式的偏差函數進行優化，固然也能夠用normal equation直接求得參數的解，結果爲：

而在LWLR（局部加權線性迴歸）中，參數的計算表達式爲:

因而可知LWLR與LR不一樣，LWLR是一個非參數模型，由於每次進行迴歸計算都要遍歷訓練樣本至少一次。

優勢：實現簡單，計算簡單；
缺點：不能擬合非線性數據.

4.最近領算法——KNN

KNN即最近鄰算法，其主要過程爲：

1. 計算訓練樣本和測試樣本中每一個樣本點的距離（常見的距離度量有歐式距離，馬氏距離等）； 2. 對上面全部的距離值進行排序； 3. 選前k個最小距離的樣本； 4. 根據這k個樣本的標籤進行投票，獲得最後的分類類別；

如何選擇一個最佳的K值，這取決於數據。通常狀況下，在分類時較大的K值可以減少噪聲的影響。但會使類別之間的界限變得模糊。一個較好的K值可經過各類啓發式技術來獲取，好比，交叉驗證。另外噪聲和非相關性特徵向量的存在會使K近鄰算法的準確性減少。

近鄰算法具備較強的一致性結果。隨着數據趨於無限，算法保證錯誤率不會超過貝葉斯算法錯誤率的兩倍。對於一些好的K值，K近鄰保證錯誤率不會超過貝葉斯理論偏差率。

KNN算法的優勢

理論成熟，思想簡單，既能夠用來作分類也能夠用來作迴歸；
可用於非線性分類；
訓練時間複雜度爲O(n)；
對數據沒有假設，準確度高，對outlier不敏感；

缺點

計算量大；
樣本不平衡問題（即有些類別的樣本數量不少，而其它樣本的數量不多）；
須要大量的內存；

5.決策樹

易於解釋。它能夠毫無壓力地處理特徵間的交互關係而且是非參數化的，所以你沒必要擔憂異常值或者數據是否線性可分（舉個例子，決策樹能輕鬆處理好類別A在某個特徵維度x的末端，類別B在中間，而後類別A又出如今特徵維度x前端的狀況）。它的缺點之一就是不支持在線學習，因而在新樣本到來後，決策樹須要所有重建。另外一個缺點就是容易出現過擬合，但這也就是諸如隨機森林RF（或提高樹boosted tree）之類的集成方法的切入點。另外，隨機森林常常是不少分類問題的贏家（一般比支持向量機好上那麼一丁點），它訓練快速而且可調，同時你無須擔憂要像支持向量機那樣調一大堆參數，因此在之前都一直很受歡迎。

決策樹中很重要的一點就是選擇一個屬性進行分枝，所以要注意一下信息增益的計算公式，並深刻理解它。

信息熵的計算公式以下:

其中的n表明有n個分類類別（好比假設是2類問題，那麼n=2）。分別計算這2類樣本在總樣本中出現的機率p1和p2，這樣就能夠計算出未選中屬性分枝前的信息熵。

如今選中一個屬性xixi用來進行分枝，此時分枝規則是：若是xi=vxi=v的話，將樣本分到樹的一個分支；若是不相等則進入另外一個分支。很顯然，分支中的樣本頗有可能包括2個類別，分別計算這2個分支的熵H1和H2,計算出分枝後的總信息熵H’ =p1 H1+p2H2,則此時的信息增益ΔH = H – H’。以信息增益爲原則，把全部的屬性都測試一邊，選擇一個使增益最大的屬性做爲本次分枝屬性。

決策樹自身的優勢

計算簡單，易於理解，可解釋性強；
比較適合處理有缺失屬性的樣本；
可以處理不相關的特徵；
在相對短的時間內可以對大型數據源作出可行且效果良好的結果。

缺點

容易發生過擬合（隨機森林能夠很大程度上減小過擬合）；
忽略了數據之間的相關性；
對於那些各種別樣本數量不一致的數據，在決策樹當中,信息增益的結果偏向於那些具備更多數值的特徵（只要是使用了信息增益，都有這個缺點，如RF）。

5.1 Adaboosting

Adaboost是一種加和模型，每一個模型都是基於上一次模型的錯誤率來創建的，過度關注分錯的樣本，而對正確分類的樣本減小關注度，逐次迭代以後，能夠獲得一個相對較好的模型。是一種典型的boosting算法。下面是總結下它的優缺點。

優勢

adaboost是一種有很高精度的分類器。
可使用各類方法構建子分類器，Adaboost算法提供的是框架。
當使用簡單分類器時，計算出的結果是能夠理解的，而且弱分類器的構造極其簡單。
簡單，不用作特徵篩選。
不容易發生overfitting。

關於隨機森林和GBDT等組合算法，參考這篇文章：機器學習-組合算法總結

缺點：對outlier比較敏感

6.SVM支持向量機

高準確率，爲避免過擬合提供了很好的理論保證，並且就算數據在原特徵空間線性不可分，只要給個合適的核函數，它就能運行得很好。在動輒超高維的文本分類問題中特別受歡迎。惋惜內存消耗大，難以解釋，運行和調參也有些煩人，而隨機森林卻恰好避開了這些缺點，比較實用。

優勢

能夠解決高維問題，即大型特徵空間；
可以處理非線性特徵的相互做用；
無需依賴整個數據；
能夠提升泛化能力；

缺點

當觀測樣本不少時，效率並非很高；
對非線性問題沒有通用解決方案，有時候很難找到一個合適的核函數；
對缺失數據敏感；

對於核的選擇也是有技巧的（libsvm中自帶了四種核函數：線性核、多項式核、RBF以及sigmoid核）：

第一，若是樣本數量小於特徵數，那麼就不必選擇非線性核，簡單的使用線性核就能夠了；
第二，若是樣本數量大於特徵數目，這時可使用非線性核，將樣本映射到更高維度，通常能夠獲得更好的結果；
第三，若是樣本數目和特徵數目相等，該狀況可使用非線性核，原理和第二種同樣。

對於第一種狀況，也能夠先對數據進行降維，而後使用非線性核，這也是一種方法。

7. 人工神經網絡的優缺點

人工神經網絡的優勢：

分類的準確度高；
並行分佈處理能力強,分佈存儲及學習能力強，
對噪聲神經有較強的魯棒性和容錯能力，能充分逼近複雜的非線性關係；
具有聯想記憶的功能。

人工神經網絡的缺點：

神經網絡須要大量的參數，如網絡拓撲結構、權值和閾值的初始值；
不能觀察之間的學習過程，輸出結果難以解釋，會影響到結果的可信度和可接受程度；
學習時間過長,甚至可能達不到學習的目的。

　八、K-Means聚類

以前寫過一篇關於K-Means聚類的文章，博文連接：機器學習算法-K-means聚類。關於K-Means的推導，裏面有着很強大的EM思想。

優勢

算法簡單，容易實現；
對處理大數據集，該算法是相對可伸縮的和高效率的，由於它的複雜度大約是O(nkt)，其中n是全部對象的數目，k是簇的數目,t是迭代的次數。一般k<<n。這個算法一般局部收斂。
算法嘗試找出使平方偏差函數值最小的k個劃分。當簇是密集的、球狀或團狀的，且簇與簇之間區別明顯時，聚類效果較好。

缺點