你需要了解的 5 大机器学习算法

这篇博客文章是为Twilio撰写的，最初发表在 Twilio 博客上。

理解算法可以让我们开发者的工作更加轻松，但我个人发现大多数机器学习教程要么太高级，要么太低级，对初学者来说不太友好，这令人沮丧。这篇博文旨在让所有人，包括非机器学习工程师，都能轻松掌握机器学习算法。

一些有用的词汇

• 监督学习：模型通过查看正确分类、已标记的数据进行学习
• 无监督学习：模型通过查看未标记的数据并尝试根据相似性、模式和差异对其进行分组来进行学习

监督学习可以解决这些问题

• 分类：预测离散标签或类别，如“红色”、“是”、“馅饼”、“水果”（即这栋房子会卖吗，日落会是什么颜色）。
• 回归：预测连续值或数量，例如货币、里程、人数……（例如，这栋房子能卖多少钱，太阳什么时候落山）。以下是一些你在机器学习中会遇到的监督学习算法。

5 个需要了解的算法

1)线性回归是最常用的机器学习算法和统计技术之一。它通过将线性方程拟合到观测数据中，可以解释
a. 一个或多个独立预测变量（x 值）
b. 一个解释性因变量（y 值）
之间的关系，并以此预测未来值。

来源

最流行的线性回归方法是最小二乘法，它计算只有一个自变量时的最佳拟合线（也称为回归线）。其公式为 y = mx + b，使得该线尽可能接近每个数据点。

如果您想检查某人的体重和身高或他们的经验和薪水之间的关系，或者根据已知数据预测接下来有多少人会感染 COVID-19 等，则可以使用线性回归模型。

2)逻辑回归与线性回归类似，但它是一种二分类算法（它会将给定的输入分配到一个类别，例如判断一张馅饼图片是“馅饼”还是“蛋糕”，或者某人会排在第一、第二、第三、第四名），用于预测给定数据下事件发生的概率。它适用于二元数据，旨在预测分类“拟合度”（1 表示成功，0 表示失败，两者之间有概率）。而线性回归的结果可以有无限个值，并用一条直线预测一个值。逻辑回归则会生成一条限制在 0 到 1 之间的逻辑曲线，以检验变量之间的关系。

来源

您可以使用逻辑回归模型来确定某人是否会赢得选举或比赛、是否感染了 COVID-19、某人是否会通过面试或未通过面试、客户是否会回来、电话是否是垃圾电话等等。

3)朴素贝叶斯是一类用于计算条件概率的监督分类算法。它们基于贝叶斯定理，该定理假设某个类中某个特征的存在与其他特征的存在无关，并在已知其他概率的情况下，计算出一个概率。

例如，如果一个球体呈黄色、较小且毛茸茸的，你可以说它是网球。即使这些特征相互依赖或依赖于另一个特征的存在，每个特征都会独立地影响这个球体是网球的概率。这就是为什么该算法被称为“朴素算法”——它假设每个特征都是独立的。

一旦算法遍历了每个特征并计算了条件概率，它就会对预测类别做出决定，从而在分类问题中提供二元结果。

假设 A 是一种动物，B 是你对该动物的观察。

A = 狗，B = 它有毛茸茸的，有尾巴，有 4 条腿：** P(袋鼠 | 毛茸茸的，尾巴和 4 条腿) = 0，因为 P(4 条腿 | 袋鼠) = 0

通过这个等式，你可以找到在B发生的情况下A发生的概率，其中B是证据，A是假设。

您可以使用朴素贝叶斯进行实时预测（速度很快）、多类预测、机器人、计算机视觉和自然语言处理任务，如文本分类、垃圾邮件过滤、情感分析和推荐。

那么逻辑回归和朴素贝叶斯有什么区别呢？由于朴素贝叶斯算法比较简单，它假设所有特征都是独立的，但这并不总是成立，所以它的预测就会出错。如果所有特征并非彼此独立，逻辑回归的效果会更好。

4) KNN（K 最近邻）是一种用于解决分类和回归预测问题的监督算法。它假设相似的值彼此接近，就像图上的数据点一样。给定一个新的未分类数据点，该算法会使用某种距离函数（例如欧几里得、曼哈顿或明可夫斯基）从现有数据集中找到该新值的 k 个邻居，并通过计算 k 个邻居的平均值来返回最常见结果的预测。

假设下图中新的蓝点被添加到数据集中，并且您想要对其进行分类。您需要计算蓝点与其他点之间的距离，并寻找最相似的k个点。如果变量k = 3，我们需要找到三个最接近的数据点。下图中三个最接近的点显然是粉色，因此模型会确信新的点可以归类为粉色。如果其中一个最接近的点是紫色，那么大多数点都会投票并返回该点的预测值。

选择k 的值很重要：太小的值可能意味着噪声和不准确的结果，而太大的值则不可行。由于在进行预测之前不会进行任何计算，因此 KNN 被认为是一种惰性学习算法。

您可以将 KNN 用于推荐、图像识别和决策模型。由于它需要跟踪训练数据并找到邻居节点，因此每次计算所需的时间比朴素贝叶斯更长。

5)随机森林🌲是一种更复杂、更流行的集成机器学习算法。这意味着它将多种机器学习方法或算法组合成一个预测模型，其中多个模型的意见比单个模型的意见更准确。该模型既可用于回归问题，也可用于分类问题。它使用决策树的集成，构建一个由决策树组成的“森林”。

例如，给定一个标记数据集（一系列点，每个点都有一个颜色），如何对新样本（一个点）进行分类（分配一个颜色）？

你觉得新的（黄色）点会是什么颜色？可能是粉色，对吧？我们通过一个心理过程做出了这个决定：给定 8 个点，

if x <= 2, the point is orange

Otherwise, if x >= 2.5, it's pink

每个条件都是一个分支，可以做出一个决定：这个点是橙色还是粉色？

那是一棵决策树。为了对新的数据点进行分类，随机森林会使用多棵决策树，从每棵树中抽取某种投票，合并结果，并根据多数共识得出结论。为了进行预测，新的数据点从树的顶部（根节点）开始，沿着“如果……那么”条件分支向下遍历。分支遍历不断重复相同的决策过程，直到分支必须在叶节点处停止。叶节点表示预测类别或值的最终输出。

随机森林使用多棵随机决策树来提高准确率，并将其结果合并为一个最终结果。对于回归问题，预测依据树的平均值；对于分类问题，预测依据树间的多数投票。

下一步

有了这些热门的机器学习新算法，你应该能更好地进行分类和回归分析。请在评论区或线上告诉我你正在做什么——我迫不及待地想看看你最终会做出什么成果。