机器学习算法比较

时间 2019-11-12

标签机器学习算法比较繁體版

原文原文链接

本文主要回顾下几个经常使用算法的适应场景及其优缺点！（提示：部份内容摘自网络）。前端

机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，因此在实际应用中，咱们通常都是采用启发式学习方式来实验。一般最开始咱们都会选择你们广泛认同的算法，诸如SVM，GBDT，Adaboost，如今深度学习很火热，神经网络也是一个不错的选择。假如你在意精度（accuracy）的话，最好的方法就是经过交叉验证（cross-validation）对各个算法一个个地进行测试，进行比较，而后调整参数确保每一个算法达到最优解，最后选择最好的一个。可是若是你只是在寻找一个“足够好”的算法来解决你的问题，或者这里有些技巧能够参考，下面来分析下各个算法的优缺点，基于算法的优缺点，更易于咱们去选择它。算法

误差&方差

在统计学中，一个模型好坏，是根据误差和方差来衡量的，因此咱们先来普及一下误差和方差：网络

误差：描述的是预测值（估计值）的指望E’与真实值Y之间的差距。误差越大，越偏离真实数据。

方差：描述的是预测值P的变化范围，离散程度，是预测值的方差，也就是离其指望值E的距离。方差越大，数据的分布越分散。

模型的真实偏差是二者之和，以下图：架构

若是是小训练集，高误差/低方差的分类器（例如，朴素贝叶斯NB）要比低误差/高方差大分类的优点大（例如，KNN），由于后者会过拟合。可是，随着你训练集的增加，模型对于原数据的预测能力就越好，误差就会下降，此时低误差/高方差分类器就会渐渐的表现其优点（由于它们有较低的渐近偏差），此时高误差分类器此时已经不足以提供准确的模型了。框架

固然，你也能够认为这是生成模型（NB）与判别模型（KNN）的一个区别。机器学习

为何说朴素贝叶斯是高误差低方差?函数

如下内容引自知乎：性能

首先，假设你知道训练集和测试集的关系。简单来说是咱们要在训练集上学习一个模型，而后拿到测试集去用，效果好很差要根据测试集的错误率来衡量。但不少时候，咱们只能假设测试集和训练集的是符合同一个数据分布的，但却拿不到真正的测试数据。这时候怎么在只看到训练错误率的状况下，去衡量测试错误率呢？学习

因为训练样本不多（至少不足够多），因此经过训练集获得的模型，总不是真正正确的。（就算在训练集上正确率100%，也不能说明它刻画了真实的数据分布，要知道刻画真实的数据分布才是咱们的目的，而不是只刻画训练集的有限的数据点）。并且，实际中，训练样本每每还有必定的噪音偏差，因此若是太追求在训练集上的完美而采用一个很复杂的模型，会使得模型把训练集里面的偏差都当成了真实的数据分布特征，从而获得错误的数据分布估计。这样的话，到了真正的测试集上就错的一塌糊涂了（这种现象叫过拟合）。可是也不能用太简单的模型，不然在数据分布比较复杂的时候，模型就不足以刻画数据分布了（体现为连在训练集上的错误率都很高，这种现象较欠拟合）。过拟合代表采用的模型比真实的数据分布更复杂，而欠拟合表示采用的模型比真实的数据分布要简单。测试

在统计学习框架下，你们刻画模型复杂度的时候，有这么个观点，认为Error = Bias + Variance。这里的Error大概能够理解为模型的预测错误率，是有两部分组成的，一部分是因为模型太简单而带来的估计不许确的部分（Bias），另外一部分是因为模型太复杂而带来的更大的变化空间和不肯定性（Variance）。

因此，这样就容易分析朴素贝叶斯了。它简单的假设了各个数据之间是无关的，是一个被严重简化了的模型。因此，对于这样一个简单模型，大部分场合都会Bias部分大于Variance部分，也就是说高误差而低方差。

在实际中，为了让Error尽可能小，咱们在选择模型的时候须要平衡Bias和Variance所占的比例，也就是平衡over-fitting和under-fitting。

误差和方差与模型复杂度的关系使用下图更加明了：

当模型复杂度上升的时候，误差会逐渐变小，而方差会逐渐变大。

常见算法优缺点

1.朴素贝叶斯

朴素贝叶斯属于生成式模型（关于生成模型和判别式模型，主要仍是在因而否是要求联合分布），很是简单，你只是作了一堆计数。若是注有条件独立性假设（一个比较严格的条件），朴素贝叶斯分类器的收敛速度将快于判别模型，如逻辑回归，因此你只须要较少的训练数据便可。即便NB条件独立假设不成立，NB分类器在实践中仍然表现的很出色。它的主要缺点是它不能学习特征间的相互做用，用mRMR中R来说，就是特征冗余。引用一个比较经典的例子，好比，虽然你喜欢Brad Pitt和Tom Cruise的电影，可是它不能学习出你不喜欢他们在一块儿演的电影。

优势：

朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。
对小规模的数据表现很好，能个处理多分类任务，适合增量式训练；
对缺失数据不太敏感，算法也比较简单，经常使用于文本分类。

缺点：

须要计算先验几率；
分类决策存在错误率；
对输入数据的表达形式很敏感。

2.Logistic Regression（逻辑回归）

属于判别式模型，有不少正则化模型的方法（L0， L1，L2，etc），并且你没必要像在用朴素贝叶斯那样担忧你的特征是否相关。与决策树与SVM机相比，你还会获得一个不错的几率解释，你甚至能够轻松地利用新数据来更新模型（使用在线梯度降低算法，online gradient descent）。若是你须要一个几率架构（好比，简单地调节分类阈值，指明不肯定性，或者是要得到置信区间），或者你但愿之后将更多的训练数据快速整合到模型中去，那么使用它吧。

Sigmoid函数：

$f(x) = \frac{1}{1+e^{-x}}$

优势：

实现简单，普遍的应用于工业问题上；
分类时计算量很是小，速度很快，存储资源低；
便利的观测样本几率分数；
对逻辑回归而言，多重共线性并非问题，它能够结合L2正则化来解决该问题；

缺点：

当特征空间很大时，逻辑回归的性能不是很好；
容易欠拟合，通常准确度不过高
不能很好地处理大量多类特征或变量；
只能处理两分类问题（在此基础上衍生出来的softmax能够用于多分类），且必须线性可分；
对于非线性特征，须要进行转换；

3.线性回归

线性回归是用于回归的，而不像Logistic回归是用于分类，其基本思想是用梯度降低法对最小二乘法形式的偏差函数进行优化，固然也能够用normal equation直接求得参数的解，结果为：

$\hat{w}=(X^{T}X)^{-1}X^Ty$

而在LWLR（局部加权线性回归）中，参数的计算表达式为:

$\hat{w}=(X^{T}WX)^{-1}X^TWy$

因而可知LWLR与LR不一样，LWLR是一个非参数模型，由于每次进行回归计算都要遍历训练样本至少一次。

优势：实现简单，计算简单；
缺点：不能拟合非线性数据.

4.最近领算法——KNN

KNN即最近邻算法，其主要过程为：

1. 计算训练样本和测试样本中每一个样本点的距离（常见的距离度量有欧式距离，马氏距离等）； 2. 对上面全部的距离值进行排序； 3. 选前k个最小距离的样本； 4. 根据这k个样本的标签进行投票，获得最后的分类类别；

如何选择一个最佳的K值，这取决于数据。通常状况下，在分类时较大的K值可以减少噪声的影响。但会使类别之间的界限变得模糊。一个较好的K值可经过各类启发式技术来获取，好比，交叉验证。另外噪声和非相关性特征向量的存在会使K近邻算法的准确性减少。

近邻算法具备较强的一致性结果。随着数据趋于无限，算法保证错误率不会超过贝叶斯算法错误率的两倍。对于一些好的K值，K近邻保证错误率不会超过贝叶斯理论偏差率。

KNN算法的优势

理论成熟，思想简单，既能够用来作分类也能够用来作回归；
可用于非线性分类；
训练时间复杂度为O(n)；
对数据没有假设，准确度高，对outlier不敏感；

缺点

计算量大；
样本不平衡问题（即有些类别的样本数量不少，而其它样本的数量不多）；
须要大量的内存；

5.决策树

易于解释。它能够毫无压力地处理特征间的交互关系而且是非参数化的，所以你没必要担忧异常值或者数据是否线性可分（举个例子，决策树能轻松处理好类别A在某个特征维度x的末端，类别B在中间，而后类别A又出如今特征维度x前端的状况）。它的缺点之一就是不支持在线学习，因而在新样本到来后，决策树须要所有重建。另外一个缺点就是容易出现过拟合，但这也就是诸如随机森林RF（或提高树boosted tree）之类的集成方法的切入点。另外，随机森林常常是不少分类问题的赢家（一般比支持向量机好上那么一丁点），它训练快速而且可调，同时你无须担忧要像支持向量机那样调一大堆参数，因此在之前都一直很受欢迎。

决策树中很重要的一点就是选择一个属性进行分枝，所以要注意一下信息增益的计算公式，并深刻理解它。

信息熵的计算公式以下:

$H=-\sum^{n}_{i=1}p(x_i)log_2p(x_i)$

其中的n表明有n个分类类别（好比假设是2类问题，那么n=2）。分别计算这2类样本在总样本中出现的几率p1和p2，这样就能够计算出未选中属性分枝前的信息熵。

如今选中一个属性

决策树自身的优势

计算简单，易于理解，可解释性强；
比较适合处理有缺失属性的样本；
可以处理不相关的特征；
在相对短的时间内可以对大型数据源作出可行且效果良好的结果。

缺点

容易发生过拟合（随机森林能够很大程度上减小过拟合）；
忽略了数据之间的相关性；
对于那些各种别样本数量不一致的数据，在决策树当中,信息增益的结果偏向于那些具备更多数值的特征（只要是使用了信息增益，都有这个缺点，如RF）。

5.1 Adaboosting

Adaboost是一种加和模型，每一个模型都是基于上一次模型的错误率来创建的，过度关注分错的样本，而对正确分类的样本减小关注度，逐次迭代以后，能够获得一个相对较好的模型。是一种典型的boosting算法。下面是总结下它的优缺点。

优势

adaboost是一种有很高精度的分类器。
可使用各类方法构建子分类器，Adaboost算法提供的是框架。
当使用简单分类器时，计算出的结果是能够理解的，而且弱分类器的构造极其简单。
简单，不用作特征筛选。
不容易发生overfitting。

关于随机森林和GBDT等组合算法，参考这篇文章：机器学习-组合算法总结

缺点：对outlier比较敏感

6.SVM支持向量机

高准确率，为避免过拟合提供了很好的理论保证，并且就算数据在原特征空间线性不可分，只要给个合适的核函数，它就能运行得很好。在动辄超高维的文本分类问题中特别受欢迎。惋惜内存消耗大，难以解释，运行和调参也有些烦人，而随机森林却恰好避开了这些缺点，比较实用。

优势

能够解决高维问题，即大型特征空间；
可以处理非线性特征的相互做用；
无需依赖整个数据；
能够提升泛化能力；

缺点

当观测样本不少时，效率并非很高；
对非线性问题没有通用解决方案，有时候很难找到一个合适的核函数；
对缺失数据敏感；

对于核的选择也是有技巧的（libsvm中自带了四种核函数：线性核、多项式核、RBF以及sigmoid核）：

第一，若是样本数量小于特征数，那么就不必选择非线性核，简单的使用线性核就能够了；
第二，若是样本数量大于特征数目，这时可使用非线性核，将样本映射到更高维度，通常能够获得更好的结果；
第三，若是样本数目和特征数目相等，该状况可使用非线性核，原理和第二种同样。

对于第一种状况，也能够先对数据进行降维，而后使用非线性核，这也是一种方法。

7. 人工神经网络的优缺点

人工神经网络的优势：

分类的准确度高；
并行分布处理能力强,分布存储及学习能力强，
对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系；
具有联想记忆的功能。

人工神经网络的缺点：

神经网络须要大量的参数，如网络拓扑结构、权值和阈值的初始值；
不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度；
学习时间过长,甚至可能达不到学习的目的。

　八、K-Means聚类

以前写过一篇关于K-Means聚类的文章，博文连接：机器学习算法-K-means聚类。关于K-Means的推导，里面有着很强大的EM思想。

优势

算法简单，容易实现；
对处理大数据集，该算法是相对可伸缩的和高效率的，由于它的复杂度大约是O(nkt)，其中n是全部对象的数目，k是簇的数目,t是迭代的次数。一般k<<n。这个算法一般局部收敛。
算法尝试找出使平方偏差函数值最小的k个划分。当簇是密集的、球状或团状的，且簇与簇之间区别明显时，聚类效果较好。

缺点

对数据类型要求较高，适合数值型数据；
可能收敛到局部最小值，在大规模数据上收敛较慢
K值比较难以选取；
对初值的簇心值敏感，对于不一样的初始值，可能会致使不一样的聚类结果；
不适合于发现非凸面形状的簇，或者大小差异很大的簇。
对于”噪声”和孤立点数据敏感，少许的该类数据可以对平均值产生极大影响。

算法选择参考

以前翻译过一些国外的文章，有一篇文章中给出了一个简单的算法选择技巧：

首当其冲应该选择的就是逻辑回归，若是它的效果不怎么样，那么能够将它的结果做为基准来参考，在基础上与其余算法进行比较；
而后试试决策树（随机森林）看看是否能够大幅度提高你的模型性能。即使最后你并无把它当作为最终模型，你也可使用随机森林来移除噪声变量，作特征选择；
若是特征的数量和观测样本特别多，那么当资源和时间充足时（这个前提很重要），使用SVM不失为一种选择。

一般状况下：【GBDT>=SVM>=RF>=Adaboost>=Other…】，如今深度学习很热门，不少领域都用到，它是以神经网络为基础的，目前我本身也在学习，只是理论知识不是很厚实，理解的不够深，这里就不作介绍了。

算法当然重要，但好的数据却要优于好的算法，设计优良特征是大有裨益的。假如你有一个超大数据集，那么不管你使用哪一种算法可能对分类性能都没太大影响（此时就能够根据速度和易用性来进行抉择）。

转自http://www.csuldw.com/2016/02/26/2016-02-26-choosing-a-machine-learning-classifier/

参考文献

[1] https://en.wikipedia.org/wiki/Bias%E2%80%93variance_tradeoff
[2] http://blog.echen.me/2011/04/27/choosing-a-machine-learning-classifier/
[3] http://www.csuldw.com/2016/02/26/2016-02-26-choosing-a-machine-learning-classifier/