机器学习算法选择指南

在数据科学领域，选择合适的机器学习算法对于解决业务问题至关重要。本文将通过算法化的方法，指导如何为特定的业务问题挑选恰当的算法。无论是数据科学的新手还是老手，本文都将为提供宝贵的知识。

算法选择的考量因素

在选择机器学习算法时，并没有一劳永逸的解决方案。这通常是一个复杂且令人生畏的任务，因为它依赖于多个因素，包括但不限于：

• 数据量的大小以及数据是否连续？
• 问题是分类问题还是回归问题？
• 数据是否已标记？
• 训练数据集的大小如何？

本文将讨论如何选择适合的算法来构建机器学习模型。阅读完本文后，将不再为选择特定业务问题的算法而烦恼。只需按照描述的方法，就可以找到合适的算法。

算法家族概览

本文将讨论以下四种算法家族：

• 回归（Regression）
• 分类（Classification）
• 聚类（Clustering）
• 降维（Dimensionality Reduction）

以下是本文讨论的核心流程图：

算法选择流程详解

将从流程图的右上角开始讨论。以下是一些需要记住的符号，以便在阅读本文时正确理解：

• 蓝色圆圈：表示基于条件选择“是”或“否”。“是”由绿色箭头指示，“否”由红色箭头表示。
• 橙色箭头：表示特定实体不工作或结果未定义。
• 绿色矩形框：表示特定类别中的个别算法。

如果样本数量少于50，则需要从关系数据库、平面文件或NoSQL数据库中提取更多数据。如果样本数量超过50，则检查是否预测类别，例如判断电子邮件是否为垃圾邮件，或将个人归入低收入、中等收入或高收入类别。如果答案是肯定的，将继续检查数据是否已标记，即数据集中是否存在目标或因变量。如果答案是肯定的，那么这是一个分类问题。

接下来，需要检查数据集中的观测值或样本数量是否少于100,000。如果是，可以选择线性SVC（支持向量分类器）算法。如果线性SVC未能给出正确的结果或准确性，将检查数据是否为文本格式。如果是文本数据，应选择朴素贝叶斯算法进行分类，因为该算法用于对用户的情感进行分类，以执行情感分析。如果数据不是文本性质的，应选择KNN（K最近邻）分类器。如果KNN算法未能工作或给出正确的结果或准确性，应尝试使用SVC或集成分类器构建模型。

如果没有标记的数据，即数据集中没有目标或因变量，将进入聚类算法家族。将检查另一个条件，以了解否知道类别的数量。如果知道类别的数量，将检查数据集中的样本或观测值是否少于10,000。如果是，应该选择K-means算法，如果K-means算法给出的准确性或结果不佳，可以选择谱聚类或GMM（高斯混合模型聚类）。如果样本数量不少于10,000，应该选择mini-batch k-means聚类。

如果不是在预测类别，而是预测数量，将进入回归算法家族。首先，将尝试找出数据集中的样本或观测值是否少于100,000。如果样本数量超过100,000，选择SGD（随机梯度下降回归器）。否则，将检查是否只有少数特征对预测至关重要。如果是这样，会选择Lasso或ElasticNet回归算法，否则会选择Ridge回归或SVR（支持向量回归器）与线性核。

如果目标不是预测数量，而是查看特征或自变量，以便想要筛选出具有最大变异性的自变量，可能是数据集中成千上万的列，那么将进入降维算法家族。现在，知道不可能用成千上万的列或变量构建模型，所以尝试找到有限数量的自变量或列或特征来生成预测，因此使用这类算法来实现这一目的。这意味着正在尝试执行某种降维，即减少可以提供与构建预测模型时相当的准确性的变量数量。

在本文中，详细解释了如何为给定的业务问题高效地选择合适的算法，以便不必四处寻找。

还可以查看之前的博客文章。

以下是LinkedIn个人资料，如果想与联系，将非常乐意与建立联系。

对于任何疑问，可以通过Gmail与联系。