【2017.11.29 週三 轉載之李航博士的文章：大數據分析到底須要多少種工具？】

原文地址：http://blog.sina.com.cn/s/blog_7ad48fee0102vb9c.html

---

 

摘要

JMLR雜誌上最近有一篇論文，做者比較了179種不一樣的分類學習方法（分類學習算法）在121個數據集上的性能，發現Random Forest（隨機森林）和SVM（支持向量機）分類準確率最高，在大多數狀況下超過其餘方法。本文針對「大數據分析到底須要多少種工具？」這一問題展開討論，總結機器學習領域多年來積累的經驗規律，繼而導出大數據分析應該採起的策略。

1．分類方法大比武

大數據分析主要依靠機器學習和大規模計算。機器學習包括監督學習、非監督學習、強化學習等，而監督學習又包括分類學習、迴歸學習、排序學習、匹配學習等（見圖1）。分類是最多見的機器學習應用問題，好比垃圾郵件過濾、人臉檢測、用戶畫像、文本情感分析、網頁歸類等，本質上都是分類問題。分類學習也是機器學習領域，研究最完全、使用最普遍的一個分支。

  

圖1  機器學習分類體系

最近、Fernández-Delgado等人在JMLR（Journal of Machine Learning Research，機器學習頂級期刊）雜誌發表了一篇有趣的論文。他們讓179種不一樣的分類學習方法（分類學習算法）在UCI 121個數據集上進行了「大比武」（UCI是機器學習公用數據集，每一個數據集的規模都不大）。結果發現Random Forest（隨機森林）和SVM（支持向量機）名列第1、第二名，但二者差別不大。在84.3%的數據上、Random Forest壓倒了其它90%的方法。也就是說，在大多數狀況下，只用Random Forest 或 SVM事情就搞定了。

2．幾點經驗總結

大數據分析到底須要多少種機器學習的方法呢？圍繞着這個問題，咱們看一下機器學習領域多年得出的一些經驗規律。

l  大數據分析性能的好壞，也就是說機器學習預測的準確率，與使用的學習算法、問題的性質、數據集的特性包括數據規模、數據特徵等都有關係。

l  通常地，Ensemble方法包括Random Forest和AdaBoost、SVM、Logistic Regression 分類準確率最高。

l  沒有一種方法能夠「包打天下」。Random Forest、SVM等方法通常性能最好，但不是在什麼條件下性能都最好。

l  不一樣的方法，當數據規模小的時候，性能每每有較大差別，但當數據規模增大時，性能都會逐漸提高且差別逐漸減少。也就是說，在大數據條件下，什麼方法都能work的不錯。參見圖2中Blaco & Brill的實驗結果。

l  對於簡單問題，Random Forest、SVM等方法基本可行，可是對於複雜問題，好比語音識別、圖像識別，最近流行的深度學習方法每每效果更好。深度學習本質是複雜模型學習，是從此研究的重點。

l  在實際應用中，要提升分類的準確率，選擇特徵比選擇算法更重要。好的特徵會帶來更好的分類結果，而好的特徵的提取須要對問題的深刻理解。

 

 

圖2  不一樣機器學習方法在數據集增大時的學習曲線。

3．應採起的大數據分析策略

創建大數據分析平臺時，選擇實現若干種有表明性的方法便可。固然，不只要考慮預測的準確率，還有考慮學習效率、開發成本、模型可讀性等其餘因素。大數據分析平臺當然重要，同時須要有一批可以深刻理解應用問題，自如使用分析工具的工程師和分析人員。

只有善工利器，大數據分析才能真正發揮威力。

參考文獻

[1]  Manuel Fernández-Delgado, Eva Cernadas, Senén Barro, Dinani Amorim; Do we Need Hundreds of Classifiers to Solve Real World Classification Problems? Journal of Machine Learning Research 15(Oct):3133−3181, 2014.

[2]  Banko, Michele, and Eric Brill. "Scaling to very very large corpora for natural language disambiguation." Proceedings of the 39th Annual Meeting on Association for Computational Linguistics. Association for Computational Linguistics, 2001.