幾個經常使用算法的適應場景及其優缺點！

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。

1.天下沒有免費的午飯

在機器學習領域，一個基本的定理就是「沒有免費的午飯」。換言之，就是沒有算法能完美地解決全部問題，尤爲是對監督學習而言（例如預測建模）。

舉例來講，你不能去說神經網絡任何狀況下都能比決策樹更有優點，反之亦然。它們要受不少因素的影響，好比你的數據集的規模或結構。

其結果是，在用給定的測試集來評估性能並挑選算法時，你應當根據具體的問題來採用不一樣的算法。

固然，所選的算法必需要適用於你本身的問題，這就要求選擇正確的機器學習任務。做爲類比，若是你須要打掃房子，你可能會用到吸塵器、掃帚或是拖把，但你絕對不應掏出鏟子來挖地。

2. 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(bias)和方差(variance)：

1. 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。

2. 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，如公式：

一般狀況下，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），由於後者會發生過擬合（overfiting）。然而，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/高方差的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），而高誤差分類器這時已經不足以提供準確的模型了。

爲何說樸素貝葉斯是高誤差低方差?

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？

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。

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。

3. 常見算法優缺點

3.1 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，主要仍是在因而否須要求聯合分佈），比較簡單，你只需作一堆計數便可。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，好比邏輯迴歸，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：

1. 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；

2. 對大數量訓練和查詢時具備較高的速度。即便使用超大規模的訓練集，針對每一個項目一般也只會有相對較少的特徵數，而且對項目的訓練和分類也僅僅是特徵機率的數學運算而已；

3. 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（便可以實時的對新增的樣本進行訓練）；

4. 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；

5. 樸素貝葉斯對結果解釋容易理解。

缺點：

1. 須要計算先驗機率；

2. 分類決策存在錯誤率；

3. 對輸入數據的表達形式很敏感；

4. 因爲使用了樣本屬性獨立性的假設，因此若是樣本屬性有關聯時其效果很差。

樸素貝葉斯應用領域

1. 欺詐檢測中使用較多；

2. 一封電子郵件是不是垃圾郵件；

3. 一篇文章應該分到科技、政治，仍是體育類；

4. 一段文字表達的是積極的情緒仍是消極的情緒；

5. 人臉識別。

3.2 Logistic Regression（邏輯迴歸） 

邏輯迴歸屬於判別式模型，同時伴有不少模型正則化的方法（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、SVM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：表達式以下:

優勢：

1. 實現簡單，普遍的應用於工業問題上；

2. 分類時計算量很是小，速度很快，存儲資源低；

3. 便利的觀測樣本機率分數；

4. 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；

5. 計算代價不高，易於理解和實現。

缺點：

1. 當特徵空間很大時，邏輯迴歸的性能不是很好；

2. 容易欠擬合，通常準確度不過高；

3. 不能很好地處理大量多類特徵或變量；

4. 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；

5. 對於非線性特徵，須要進行轉換。

logistic迴歸應用領域：

1. 用於二分類領域，能夠得出機率值，適用於根據分類機率排名的領域，如搜索排名等；

2. Logistic迴歸的擴展softmax能夠應用於多分類領域，如手寫字識別等；

3. 信用評估；

4. 測量市場營銷的成功度；

5. 預測某個產品的收益；

6. 特定的某天是否會發生地震。

3.3 線性迴歸 

線性迴歸是用於迴歸的，它不像Logistic迴歸那樣用於分類，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。

3.4 最近鄰算法——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(升序)；

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

1. 理論成熟，思想簡單，既能夠用來作分類也能夠用來作迴歸；

2. 可用於非線性分類；

3. 訓練時間複雜度爲O(n)；

4. 對數據沒有假設，準確度高，對outlier不敏感；

5. KNN是一種在線技術，新數據能夠直接加入數據集而沒必要進行從新訓練；

6. KNN理論簡單，容易實現。

缺點

1. 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）效果差；

2. 須要大量內存；

3. 對於樣本容量大的數據集計算量比較大（體如今距離計算上）；

4. 樣本不平衡時，預測誤差比較大。如：某一類的樣本比較少，而其它類樣本比較多；

5. KNN每一次分類都會從新進行一次全局運算；

6. k值大小的選擇沒有理論選擇最優，每每是結合K-折交叉驗證獲得最優k值選擇。

KNN算法應用領域

文本分類、模式識別、聚類分析，多分類領域

3.5 決策樹 

決策樹的一大優點就是易於解釋。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（好比假設是二類問題，那麼n=2）。分別計算這2類樣本在總樣本中出現的機率

和

，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

用來進行分枝，此時分枝規則是：若是

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

和 

,計算出分枝後的總信息熵

，則此時的信息增益

。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

1. 決策樹易於理解和解釋，能夠可視化分析，容易提取出規則；

2. 能夠同時處理標稱型和數值型數據；

3. 比較適合處理有缺失屬性的樣本；

4. 可以處理不相關的特徵；

5. 測試數據集時，運行速度比較快；

6. 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

1. 容易發生過擬合（隨機森林能夠很大程度上減小過擬合）；

2. 容易忽略數據集中屬性的相互關聯；

3. 對於那些各種別樣本數量不一致的數據，在決策樹中，進行屬性劃分時，不一樣的斷定準則會帶來不一樣的屬性選擇傾向；信息增益準則對可取數目較多的屬性有所偏好（典型表明ID3算法），而增益率準則（CART）則對可取數目較少的屬性有所偏好，但CART進行屬性劃分時候再也不簡單地直接利用增益率盡心劃分，而是採用一種啓發式規則）（只要是使用了信息增益，都有這個缺點，如RF）。

4. ID3算法計算信息增益時結果偏向數值比較多的特徵。

改進措施

1. 對決策樹進行剪枝。能夠採用交叉驗證法和加入正則化的方法；

2. 使用基於決策樹的combination算法，如bagging算法，randomforest算法，能夠解決過擬合的問題。

應用領域

企業管理實踐，企業投資決策，因爲決策樹很好的分析能力，在決策過程應用較多。

3.5.1 ID三、C4.5算法

ID3算法是以信息論爲基礎，以信息熵和信息增益度爲衡量標準，從而實現對數據的概括分類。ID3算法計算每一個屬性的信息增益，並選取具備最高增益的屬性做爲給定的測試屬性。C4.5算法核心思想是ID3算法，是ID3算法的改進，改進方面有：- 用信息增益率來選擇屬性，克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足；- 在樹構造過程當中進行剪枝；- 能處理非離散的數據；- 能處理不完整的數據。

優勢

產生的分類規則易於理解，準確率較高。

缺點

1. 在構造樹的過程當中，須要對數據集進行屢次的順序掃描和排序，於是致使算法的低效；

2. C4.5只適合於可以駐留於內存的數據集，當訓練集大得沒法在內存容納時程序沒法運行。

3.5.2 CART分類與迴歸樹

是一種決策樹分類方法，採用基於最小距離的基尼指數估計函數，用來決定由該子數據集生成的決策樹的拓展形。若是目標變量是標稱的，稱爲分類樹；若是目標變量是連續的，稱爲迴歸樹。分類樹是使用樹結構算法將數據分紅離散類的方法。

優勢

1. 很是靈活，能夠容許有部分錯分紅本，還可指定先驗機率分佈，可以使用自動的成本複雜性剪枝來獲得概括性更強的樹；

2. 在面對諸如存在缺失值、變量數多等問題時CART 顯得很是穩健。

3.6 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。該算法是一種典型的boosting算法，其加和理論的優點可使用Hoeffding不等式得以解釋。

優勢

1. Adaboost是一種有很高精度的分類器；

2. 可使用各類方法構建子分類器，Adaboost算法提供的是框架；

3. 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；

4. 簡單，不用作特徵篩選；

5. 不易發生overfitting。

缺點

對outlier比較敏感。

3.7 SVM支持向量機 

支持向量機，一個經久不衰的算法，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

1. 能夠解決高維問題，即大型特徵空間；

2. 解決小樣本下機器學習問題；

3. 可以處理非線性特徵的相互做用；

4. 無局部極小值問題；（相對於神經網絡等算法）

5. 無需依賴整個數據；

6. 泛化能力比較強。

缺點

1. 當觀測樣本不少時，效率並非很高；

2. 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；

3. 對於核函數的高維映射解釋力不強，尤爲是徑向基函數；

4. 常規SVM只支持二分類；

5. 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。

SVM應用領域

文本分類、圖像識別（主要二分類領域，畢竟常規SVM只能解決二分類問題）

3.8 人工神經網絡的優缺點 

人工神經網絡的優勢：

1. 分類的準確度高；

2. 並行分佈處理能力強,分佈存儲及學習能力強；

3. 對噪聲神經有較強的魯棒性和容錯能力；

4. 具有聯想記憶的功能，能充分逼近複雜的非線性關係。

人工神經網絡的缺點：

1. 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；

2. 黑盒過程，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；

3. 學習時間過長，有可能陷入局部極小值，甚至可能達不到學習的目的。

人工神經網絡應用領域：

目前深度神經網絡已經應用與計算機視覺，天然語言處理，語音識別等領域並取得很好的效果。

3.9 K-Means聚類 

是一個簡單的聚類算法，把n的對象根據他們的屬性分爲k個分割，k< n。算法的核心就是要優化失真函數J,使其收斂到局部最小值但不是全局最小值。

關於K-Means聚類的文章，參見機器學習算法-K-means聚類。關於K-Means的推導，裏面但是有大學問的，蘊含着強大的EM思想。

優勢

1. 算法簡單，容易實現 ；

2. 算法速度很快；

3. 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；< p="">

4. 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

1. 對數據類型要求較高，適合數值型數據；

2. 可能收斂到局部最小值，在大規模數據上收斂較慢；

3. 分組的數目k是一個輸入參數，不合適的k可能返回較差的結果；

4. 對初值的簇心值敏感，對於不一樣的初始值，可能會致使不一樣的聚類結果；

5. 不適合於發現非凸面形狀的簇，或者大小差異很大的簇；

6. 對於」噪聲」和孤立點數據敏感，少許的該類數據可以對平均值產生極大影響。

3.10 EM最大指望算法 

EM算法是基於模型的聚類方法，是在機率模型中尋找參數最大似然估計的算法，其中機率模型依賴於沒法觀測的隱藏變量。E步估計隱含變量，M步估計其餘參數，交替將極值推向最大。

EM算法比K-means算法計算複雜，收斂也較慢，不適於大規模數據集和高維數據，但比K-means算法計算結果穩定、準確。EM常常用在機器學習和計算機視覺的數據集聚（Data Clustering）領域。

3.11 集成算法（AdaBoost算法） 

AdaBoost算法優勢：

1. 很好的利用了弱分類器進行級聯；

2. 能夠將不一樣的分類算法做爲弱分類器；

3. AdaBoost具備很高的精度；

4. 相對於bagging算法和Random Forest算法，AdaBoost充分考慮的每一個分類器的權重。

Adaboost算法缺點：

1. AdaBoost迭代次數也就是弱分類器數目不太好設定，可使用交叉驗證來進行肯定；

2. 數據不平衡致使分類精度降低；

3. 訓練比較耗時，每次從新選擇當前分類器最好切分點。

AdaBoost應用領域：

模式識別、計算機視覺領域，用於二分類和多分類場景

3.12 排序算法（PageRank） 

PageRank是google的頁面排序算法，是基於從許多優質的網頁連接過來的網頁，一定仍是優質網頁的迴歸關係，來斷定全部網頁的重要性。（也就是說，一我的有着越多牛X朋友的人，他是牛X的機率就越大。）

PageRank優勢

徹底獨立於查詢，只依賴於網頁連接結構，能夠離線計算。

PageRank缺點

1. PageRank算法忽略了網頁搜索的時效性；

2. 舊網頁排序很高，存在時間長，積累了大量的in-links，擁有最新資訊的新網頁排名卻很低，由於它們幾乎沒有in-links。

3.13 關聯規則算法（Apriori算法） 

Apriori算法是一種挖掘關聯規則的算法，用於挖掘其內含的、未知的卻又實際存在的數據關係，其核心是基於兩階段頻集思想的遞推算法 。

Apriori算法分爲兩個階段：

1. 尋找頻繁項集；

2. 由頻繁項集找關聯規則。

算法缺點：

1. 在每一步產生侯選項目集時循環產生的組合過多，沒有排除不該該參與組合的元素；

 

4. 算法選擇參考

以前筆者翻譯過一些國外的文章，其中有一篇文章中給出了一個簡單的算法選擇技巧：

1. 首當其衝應該選擇的就是邏輯迴歸，若是它的效果不怎麼樣，那麼能夠將它的結果做爲基準來參考，在基礎上與其餘算法進行比較；

2. 而後試試決策樹（隨機森林）看看是否能夠大幅度提高你的模型性能。即使最後你並無把它當作爲最終模型，你也可使用隨機森林來移除噪聲變量，作特徵選擇；

3. 若是特徵的數量和觀測樣本特別多，那麼當資源和時間充足時（這個前提很重要），使用SVM不失爲一種選擇。

一般狀況下：【GBDT>=SVM>=RF>=Adaboost>=Other…】，如今深度學習很熱門，不少領域都用到，它是以神經網絡爲基礎的，目前筆者本身也在學習，只是理論知識不紮實，理解的不夠深刻，這裏就不作介紹了，但願之後能夠寫一片拋磚引玉的文章。

算法當然重要，但好的數據卻要優於好的算法，設計優良特徵是大有裨益的。假如你有一個超大數據集，那麼不管你使用哪一種算法可能對分類性能都沒太大影響（此時就能夠根據速度和易用性來進行抉擇）。

轉自：http://www.elecfans.com/d/920819.html