几个经常使用算法的适应场景及其优缺点！

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。

1.天下没有免费的午饭

在机器学习领域，一个基本的定理就是“没有免费的午饭”。换言之，就是没有算法能完美地解决全部问题，尤为是对监督学习而言（例如预测建模）。

举例来讲，你不能去说神经网络任何状况下都能比决策树更有优点，反之亦然。它们要受不少因素的影响，好比你的数据集的规模或结构。

其结果是，在用给定的测试集来评估性能并挑选算法时，你应当根据具体的问题来采用不一样的算法。

固然，所选的算法必需要适用于你本身的问题，这就要求选择正确的机器学习任务。做为类比，若是你须要打扫房子，你可能会用到吸尘器、扫帚或是拖把，但你绝对不应掏出铲子来挖地。

2. 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(bias)和方差(variance)：

1. 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。

2. 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，如公式：

一般状况下，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），由于后者会发生过拟合（overfiting）。然而，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/高方差的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），而高误差分类器这时已经不足以提供准确的模型了。

为何说朴素贝叶斯是高误差低方差?

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？

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。

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。

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。

3. 常见算法优缺点

3.1 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，主要仍是在因而否须要求联合分布），比较简单，你只需作一堆计数便可。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，好比逻辑回归，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：

1. 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；

2. 对大数量训练和查询时具备较高的速度。即便使用超大规模的训练集，针对每一个项目一般也只会有相对较少的特征数，而且对项目的训练和分类也仅仅是特征几率的数学运算而已；

3. 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（便可以实时的对新增的样本进行训练）；

4. 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；

5. 朴素贝叶斯对结果解释容易理解。

缺点：

1. 须要计算先验几率；

2. 分类决策存在错误率；

3. 对输入数据的表达形式很敏感；

4. 因为使用了样本属性独立性的假设，因此若是样本属性有关联时其效果很差。

朴素贝叶斯应用领域

1. 欺诈检测中使用较多；

2. 一封电子邮件是不是垃圾邮件；

3. 一篇文章应该分到科技、政治，仍是体育类；

4. 一段文字表达的是积极的情绪仍是消极的情绪；

5. 人脸识别。

3.2 Logistic Regression（逻辑回归） 

逻辑回归属于判别式模型，同时伴有不少模型正则化的方法（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、SVM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：表达式以下:

优势：

1. 实现简单，普遍的应用于工业问题上；

2. 分类时计算量很是小，速度很快，存储资源低；

3. 便利的观测样本几率分数；

4. 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；

5. 计算代价不高，易于理解和实现。

缺点：

1. 当特征空间很大时，逻辑回归的性能不是很好；

2. 容易欠拟合，通常准确度不过高；

3. 不能很好地处理大量多类特征或变量；

4. 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；

5. 对于非线性特征，须要进行转换。

logistic回归应用领域：

1. 用于二分类领域，能够得出几率值，适用于根据分类几率排名的领域，如搜索排名等；

2. Logistic回归的扩展softmax能够应用于多分类领域，如手写字识别等；

3. 信用评估；

4. 测量市场营销的成功度；

5. 预测某个产品的收益；

6. 特定的某天是否会发生地震。

3.3 线性回归 

线性回归是用于回归的，它不像Logistic回归那样用于分类，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：

而在LWLR（局部加权线性回归）中，参数的计算表达式为: 

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。

3.4 最近邻算法——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(升序)；

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

1. 理论成熟，思想简单，既能够用来作分类也能够用来作回归；

2. 可用于非线性分类；

3. 训练时间复杂度为O(n)；

4. 对数据没有假设，准确度高，对outlier不敏感；

5. KNN是一种在线技术，新数据能够直接加入数据集而没必要进行从新训练；

6. KNN理论简单，容易实现。

缺点

1. 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）效果差；

2. 须要大量内存；

3. 对于样本容量大的数据集计算量比较大（体如今距离计算上）；

4. 样本不平衡时，预测误差比较大。如：某一类的样本比较少，而其它类样本比较多；

5. KNN每一次分类都会从新进行一次全局运算；

6. k值大小的选择没有理论选择最优，每每是结合K-折交叉验证获得最优k值选择。

KNN算法应用领域

文本分类、模式识别、聚类分析，多分类领域

3.5 决策树 

决策树的一大优点就是易于解释。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:

其中的n表明有n个分类类别（好比假设是二类问题，那么n=2）。分别计算这2类样本在总样本中出现的几率

和

，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

用来进行分枝，此时分枝规则是：若是

的话，将样本分到树的一个分支；若是不相等则进入另外一个分支。很显然，分支中的样本颇有可能包括2个类别，分别计算这2个分支的熵

和 

,计算出分枝后的总信息熵

，则此时的信息增益

。以信息增益为原则，把全部的属性都测试一边，选择一个使增益最大的属性做为本次分枝属性。

决策树自身的优势

1. 决策树易于理解和解释，能够可视化分析，容易提取出规则；

2. 能够同时处理标称型和数值型数据；

3. 比较适合处理有缺失属性的样本；

4. 可以处理不相关的特征；

5. 测试数据集时，运行速度比较快；

6. 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

1. 容易发生过拟合（随机森林能够很大程度上减小过拟合）；

2. 容易忽略数据集中属性的相互关联；

3. 对于那些各种别样本数量不一致的数据，在决策树中，进行属性划分时，不一样的断定准则会带来不一样的属性选择倾向；信息增益准则对可取数目较多的属性有所偏好（典型表明ID3算法），而增益率准则（CART）则对可取数目较少的属性有所偏好，但CART进行属性划分时候再也不简单地直接利用增益率尽心划分，而是采用一种启发式规则）（只要是使用了信息增益，都有这个缺点，如RF）。

4. ID3算法计算信息增益时结果偏向数值比较多的特征。

改进措施

1. 对决策树进行剪枝。能够采用交叉验证法和加入正则化的方法；

2. 使用基于决策树的combination算法，如bagging算法，randomforest算法，能够解决过拟合的问题。

应用领域

企业管理实践，企业投资决策，因为决策树很好的分析能力，在决策过程应用较多。

3.5.1 ID三、C4.5算法

ID3算法是以信息论为基础，以信息熵和信息增益度为衡量标准，从而实现对数据的概括分类。ID3算法计算每一个属性的信息增益，并选取具备最高增益的属性做为给定的测试属性。C4.5算法核心思想是ID3算法，是ID3算法的改进，改进方面有：- 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；- 在树构造过程当中进行剪枝；- 能处理非离散的数据；- 能处理不完整的数据。

优势

产生的分类规则易于理解，准确率较高。

缺点

1. 在构造树的过程当中，须要对数据集进行屡次的顺序扫描和排序，于是致使算法的低效；

2. C4.5只适合于可以驻留于内存的数据集，当训练集大得没法在内存容纳时程序没法运行。

3.5.2 CART分类与回归树

是一种决策树分类方法，采用基于最小距离的基尼指数估计函数，用来决定由该子数据集生成的决策树的拓展形。若是目标变量是标称的，称为分类树；若是目标变量是连续的，称为回归树。分类树是使用树结构算法将数据分红离散类的方法。

优势

1. 很是灵活，能够容许有部分错分红本，还可指定先验几率分布，可以使用自动的成本复杂性剪枝来获得概括性更强的树；

2. 在面对诸如存在缺失值、变量数多等问题时CART 显得很是稳健。

3.6 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。该算法是一种典型的boosting算法，其加和理论的优点可使用Hoeffding不等式得以解释。

优势

1. Adaboost是一种有很高精度的分类器；

2. 可使用各类方法构建子分类器，Adaboost算法提供的是框架；

3. 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；

4. 简单，不用作特征筛选；

5. 不易发生overfitting。

缺点

对outlier比较敏感。

3.7 SVM支持向量机 

支持向量机，一个经久不衰的算法，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

1. 能够解决高维问题，即大型特征空间；

2. 解决小样本下机器学习问题；

3. 可以处理非线性特征的相互做用；

4. 无局部极小值问题；（相对于神经网络等算法）

5. 无需依赖整个数据；

6. 泛化能力比较强。

缺点

1. 当观测样本不少时，效率并非很高；

2. 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；

3. 对于核函数的高维映射解释力不强，尤为是径向基函数；

4. 常规SVM只支持二分类；

5. 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。

SVM应用领域

文本分类、图像识别（主要二分类领域，毕竟常规SVM只能解决二分类问题）

3.8 人工神经网络的优缺点 

人工神经网络的优势：

1. 分类的准确度高；

2. 并行分布处理能力强,分布存储及学习能力强；

3. 对噪声神经有较强的鲁棒性和容错能力；

4. 具有联想记忆的功能，能充分逼近复杂的非线性关系。

人工神经网络的缺点：

1. 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；

2. 黑盒过程，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；

3. 学习时间过长，有可能陷入局部极小值，甚至可能达不到学习的目的。

人工神经网络应用领域：

目前深度神经网络已经应用与计算机视觉，天然语言处理，语音识别等领域并取得很好的效果。

3.9 K-Means聚类 

是一个简单的聚类算法，把n的对象根据他们的属性分为k个分割，k< n。算法的核心就是要优化失真函数J,使其收敛到局部最小值但不是全局最小值。

关于K-Means聚类的文章，参见机器学习算法-K-means聚类。关于K-Means的推导，里面但是有大学问的，蕴含着强大的EM思想。

优势

1. 算法简单，容易实现 ；

2. 算法速度很快；

3. 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；< p="">

4. 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

1. 对数据类型要求较高，适合数值型数据；

2. 可能收敛到局部最小值，在大规模数据上收敛较慢；

3. 分组的数目k是一个输入参数，不合适的k可能返回较差的结果；

4. 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；

5. 不适合于发现非凸面形状的簇，或者大小差异很大的簇；

6. 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。

3.10 EM最大指望算法 

EM算法是基于模型的聚类方法，是在几率模型中寻找参数最大似然估计的算法，其中几率模型依赖于没法观测的隐藏变量。E步估计隐含变量，M步估计其余参数，交替将极值推向最大。

EM算法比K-means算法计算复杂，收敛也较慢，不适于大规模数据集和高维数据，但比K-means算法计算结果稳定、准确。EM常常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域。

3.11 集成算法（AdaBoost算法） 

AdaBoost算法优势：

1. 很好的利用了弱分类器进行级联；

2. 能够将不一样的分类算法做为弱分类器；

3. AdaBoost具备很高的精度；

4. 相对于bagging算法和Random Forest算法，AdaBoost充分考虑的每一个分类器的权重。

Adaboost算法缺点：

1. AdaBoost迭代次数也就是弱分类器数目不太好设定，可使用交叉验证来进行肯定；

2. 数据不平衡致使分类精度降低；

3. 训练比较耗时，每次从新选择当前分类器最好切分点。

AdaBoost应用领域：

模式识别、计算机视觉领域，用于二分类和多分类场景

3.12 排序算法（PageRank） 

PageRank是google的页面排序算法，是基于从许多优质的网页连接过来的网页，一定仍是优质网页的回归关系，来断定全部网页的重要性。（也就是说，一我的有着越多牛X朋友的人，他是牛X的几率就越大。）

PageRank优势

彻底独立于查询，只依赖于网页连接结构，能够离线计算。

PageRank缺点

1. PageRank算法忽略了网页搜索的时效性；

2. 旧网页排序很高，存在时间长，积累了大量的in-links，拥有最新资讯的新网页排名却很低，由于它们几乎没有in-links。

3.13 关联规则算法（Apriori算法） 

Apriori算法是一种挖掘关联规则的算法，用于挖掘其内含的、未知的却又实际存在的数据关系，其核心是基于两阶段频集思想的递推算法 。

Apriori算法分为两个阶段：

1. 寻找频繁项集；

2. 由频繁项集找关联规则。

算法缺点：

1. 在每一步产生侯选项目集时循环产生的组合过多，没有排除不该该参与组合的元素；

 

4. 算法选择参考

以前笔者翻译过一些国外的文章，其中有一篇文章中给出了一个简单的算法选择技巧：

1. 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；

2. 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；

3. 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，目前笔者本身也在学习，只是理论知识不扎实，理解的不够深刻，这里就不作介绍了，但愿之后能够写一片抛砖引玉的文章。

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.elecfans.com/d/920819.html