隨著機器學習越來越流行，也出現(xiàn)了越來越多能很好地處理任務的算法。但是，你不可能預先知道哪個算法對你的問題是***的。如果你有足夠的時間，你可以嘗試所有的算法來找出***的算法。本文介紹了如何依靠已有的方法(模型選擇和超參數(shù)調(diào)節(jié))去指導你更好地去選擇算法。本文作者為華盛頓大學 eScience Institute 和 Institute for Neuroengineering 的數(shù)據(jù)科學博士后 Michael Beyeler。

步驟一：了解基本知識

在我們深入學習之前，我們先重溫基礎知識。具體來說，我們應該知道機器學習里面三個主要類別：監(jiān)督學習，無監(jiān)督學習和強化學習。

1. 在監(jiān)督學習(supervised learning)中，每個數(shù)據(jù)點都會獲得標注，如類別標簽或與數(shù)值相關的標簽。一個類別標簽的例子：將圖片分類為「貓」或「狗」;數(shù)值標簽的例子如：預測一輛二手車的售價。監(jiān)督學習的目的是通過學習許多有標簽的樣本，然后對新的數(shù)據(jù)做出預測。例如，準確識別新照片上的動物(分類)或者預測二手車的售價(回歸)。

2. 在無監(jiān)督性學習(unsupervised learning)中，數(shù)據(jù)點沒有相關的標簽。相反，無監(jiān)督學習算法的目標是以某種方式組織數(shù)據(jù)，然后找出數(shù)據(jù)中存在的內(nèi)在結(jié)構(gòu)。這包括將數(shù)據(jù)進行聚類，或者找到更簡單的方式處理復雜數(shù)據(jù)，使復雜數(shù)據(jù)看起來更簡單。

3. 在強化學習(reinforcement learning)中，算法會針對每個數(shù)據(jù)點來做出決策(下一步該做什么)。這種技術在機器人學中很常用。傳感器一次從外界讀取一個數(shù)據(jù)點，算法必須決定機器人下一步該做什么。強化學習也適合用于物聯(lián)網(wǎng)應用。在這里，學習算法將收到獎勵信號，表明所做決定的好壞，為了獲得***的獎勵，算法必須修改相應的策略。

步驟二：對問題進行分類

接下來，我們要對問題進行分類，這包含兩個過程：

1. 根據(jù)輸入數(shù)據(jù)分類：如果我們的數(shù)據(jù)有標簽，這就是一個監(jiān)督學習問題;如果數(shù)據(jù)沒有標簽而且我們想找出數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，那這就是無監(jiān)督學習;如果我們想通過與環(huán)境交互來優(yōu)化目標函數(shù)，這是強化學習。

2. 根據(jù)輸出結(jié)果分類：如果模型輸出結(jié)果是一個數(shù)值，這是回歸問題;如果輸出結(jié)果是一個類別，這是分類問題;如果輸出結(jié)果是一組輸入數(shù)據(jù)，那這是聚類問題。

就是這么簡單!

更一般地說，我們可以詢問我們自己：我們的算法要實現(xiàn)什么目標，然后以此來找到正確的算法類別。

上面的描述包括了幾個我們還沒有提到的專業(yè)術語：

• 分類(classification)：當使用數(shù)據(jù)來預測類別時，監(jiān)督學習也被叫做分類。比如將含有「貓」或「狗」的圖片識別出來，分類為「貓」或「狗」，這就是二分類問題(two-class or binomial classification)。當存在更多類別時(例如預測下一屆諾貝爾物理學家的獲得者是誰)，這就是所謂的多分類問題(multi-class classification)。
• 回歸(regression)：當要預測數(shù)值時(比如預測股價)，監(jiān)督學習也被稱為回歸。
• 聚類(clustering)：聚類或聚類分析(cluster analysis)是無監(jiān)督學習中最常見的方法之一。聚類是將一組對象以某種方式分組，使得同一組中的數(shù)據(jù)比不同組的數(shù)據(jù)有更多的相似性。
• 異常檢測(Anomaly detection)：有時我們需要找出數(shù)據(jù)點中的異常點。例如，在欺詐檢測中，任何極不尋常的信用卡消費都是可疑的;欺詐具有大量不同的形式，而訓練樣本又非常少，使得我們不可能完全了解欺詐活動應該是什么樣。異常檢測所采取的方法就是了解正常情況下的表現(xiàn)行為(使用非欺詐交易的歷史數(shù)據(jù))，并識別出顯著不同的表現(xiàn)行為。

步驟三：尋找可用的算法

現(xiàn)在我們已經(jīng)將問題進行了分類，我們就可以使用我們所掌握的工具來識別出適當且實用的算法。

Microsoft Azure 創(chuàng)建了一個方便的算法列表，其展示了哪些算法可用于哪種類別的問題。雖然該表單是針對 Azure 軟件定制的，但它具有普遍的適用性(該表單的 PDF 版本可查閱 http://suo.im/3Ss2zW )：

一些值得注意的算法如下：

1. 分類：

• 支持向量機(SVM)可用于找到盡可能寬的分類的邊界。當兩個分類不能被清楚地分開時，該算法會找到其所能找到的***邊界。其真正的亮點在于處理特征密集的數(shù)據(jù)，比如文本或者基因組(特征數(shù)量> 100)。在這些情況下，除了僅需要適量的記憶外，支持向量機(SVM)能夠比其它大多數(shù)算法更快且更少過擬合地進行分類。
• 人工神經(jīng)網(wǎng)絡是涵蓋二分類、多分類和回歸問題的腦啟發(fā)式學習算法。它們有***的種類，包括感知器和深度學習。它們需要很長時間來訓練，但已知其在多種應用領域都實現(xiàn)了當前***的表現(xiàn)。
• logistic 回歸：即便名字中有著「回歸」，但 logistic 回歸實際上是一種可用于二分類和多分類問題的強大工具。它快速且簡單。事實上，它使用「S」形曲線而非直線，所以它自然適合用于數(shù)據(jù)分組。logistic 回歸可以給出線性分類邊界，所以如果你要使用它，你一定要確保你能接受線性的近似。
• 決策樹和隨機森林：決策森林(decision forests)(回歸、二分類、多分類)，決策叢林(decision jungles)(二分類和多分類)和提升決策樹(boosted decision trees)(回歸和二分類)都基于決策樹。這是一個基本的機器學習概念。決策樹有許多不同的變體，但它們都在做同樣的事情—將特征空間(feature space)細分為具有大致相同標簽的區(qū)域。這些區(qū)域可以是一致的類別或者恒定值，具體取決于你進行的是分類還是回歸。

2. 回歸：

• 線性回歸是將一條線(或平面、或超平面)擬合到一個數(shù)據(jù)集上。這是一種主要的工具，簡單且快速，但對于一些問題而言，它可能過于簡單。
• 貝葉斯線性回歸有著非常理想的特性：它可以避免過擬合。貝葉斯方法通過事先對答案的可能分布做出一些假設來做到這一點。這種方法的另一個副產(chǎn)品是它們具有非常少的參數(shù)。
• 提升決策樹回歸(Boosted decision tree regression)：如上所述，提升決策樹(回歸和二分類)均基于決策樹，并通過將特征空間細分為具有大致相同標簽的區(qū)域發(fā)揮效用。提升決策樹通過限制其可以細分的次數(shù)以及每個區(qū)域中所允許的最少數(shù)據(jù)點來避免過擬合。該算法會構(gòu)造一個樹的序列，其中每棵樹都會學習彌補之前的樹留下來的誤差。這能得到一個會使用大量的內(nèi)存的非常精確的學習器。

3. 聚類：

• 層次聚類(Hierarchical Clustering)的目標是構(gòu)建聚類的層次結(jié)構(gòu)，它有兩種形式。聚集聚類(agglomerative clustering)是一種「自下而上」的方法，其中每個觀察(observation)在其自己的聚類中開始，隨著其在層次中向上移動，成對的聚類會進行融合。分裂聚類(divisive clustering)則是一種「自上而下」的方法，其中所有的觀察都從一個聚類開始，并且會隨觀察向下的層次移動而遞歸式地分裂。整體而言，這里的融合和分裂是以一種激進的方式確定的。層次聚類的結(jié)果通常表示成樹狀圖(dendrogram)的形式。
• k-均值聚類(k-means clustering)的目標是將 n 組觀測值分為 k 個聚類，其中每個觀測值都屬于其接近的那個均值的聚類——這些均值被用作這些聚類的原型。這會將數(shù)據(jù)空間分割成 Voronoi 單元。

4. 異常檢測：

• k 最近鄰(k-nearest neighbors / k-NN)是用于分類和回歸的非參數(shù)方法。在這兩種情況下，輸入都是由特征空間中與 k 最接近的訓練樣本組成的。在 k-NN 分類中，輸出是一個類成員。對象通過其 k 最近鄰的多數(shù)投票來分類，其中對象被分配給 k 最近鄰中最常見的類(k 為一正整數(shù)，通常較小)。在 k-NN 回歸中，輸出為對象的屬性值。該值為其 k 最近鄰值的平均值。
• 單類支持向量機(One-class SVM)：使用了非線性支持向量機的一個巧妙的擴展，單類支持向量機可以描繪一個嚴格概述整個數(shù)據(jù)集的邊界。遠在邊界之外的任何新數(shù)據(jù)點都是非正常的，值得注意。

步驟四：實現(xiàn)所有適用的算法

對于任何給定的問題，通常有多種候選算法可以完成這項工作。那么我們?nèi)绾沃肋x擇哪一個呢?通常，這個問題的答案并不簡單，所以我們必須反復試驗。

原型開發(fā)***分兩步完成。在***步中，我們希望通過最小量的特征工程快速且粗糙地實現(xiàn)一些算法。在這個階段，我們主要的目標是大概了解哪個算法表現(xiàn)得更好。這個步驟有點像招聘：我們會盡可能地尋找可以縮短我們候選算法列表的理由。

一旦我們將列表減少至幾個候選算法，真正的原型開發(fā)開始了。理想情況下，我們會建立一個機器學習流程，使用一組經(jīng)過仔細選擇的評估標準來比較每個算法在數(shù)據(jù)集上的表現(xiàn)。在這個階段，我們只處理一小部分的算法，所以我們可以把注意力轉(zhuǎn)到真正神奇的地方：特征工程。

步驟五：特征工程

或許比選擇算法更重要的是正確選擇表示數(shù)據(jù)的特征。從上面的列表中選擇合適的算法是相對簡單直接的，然而特征工程卻更像是一門藝術。

主要問題在于我們試圖分類的數(shù)據(jù)在特征空間的描述極少。利如，用像素的灰度值來預測圖片通常是不佳的選擇;相反，我們需要找到能提高信噪比的數(shù)據(jù)變換。如果沒有這些數(shù)據(jù)轉(zhuǎn)換，我們的任務可能無法解決。利如，在方向梯度直方圖(HOG)出現(xiàn)之前，復雜的視覺任務(像行人檢測或面部檢測)都是很難做到的。

雖然大多數(shù)特征的有效性需要靠實驗來評估，但是了解常見的選取數(shù)據(jù)特征的方法是很有幫助的。這里有幾個較好的方法：

• 主成分分析(PCA)：一種線性降維方法，可以找出包含信息量較高的特征主成分，可以解釋數(shù)據(jù)中的大多數(shù)方差。
• 尺度不變特征變換(SIFT)：計算機視覺領域中的一種有專利的算法，用以檢測和描述圖片的局部特征。它有一個開源的替代方法 ORB(Oriented FAST and rotated BRIEF)。
• 加速穩(wěn)健特征(SURF)：SIFT 的更穩(wěn)健版本，有專利。
• 方向梯度直方圖(HOG)：一種特征描述方法，在計算機視覺中用于計數(shù)一張圖像中局部部分的梯度方向的 occurrence。

更多算法請參考：https://en.wikipedia.org/wiki/Visual_descriptor

當然，你也可以想出你自己的特征描述方法。如果你有幾個候選方法，你可以使用封裝好的方法進行智能的特征選擇。

1. 前向搜索：

• 最開始不選取任何特征。
• 然后選擇最相關的特征，將這個特征加入到已有特征;計算模型的交叉驗證誤差，重復選取其它所有候選特征;***，選取能使你交叉驗證誤差最小特征，并放入已選擇的特征之中。
• 重復，直到達到期望數(shù)量的特征為止!

2. 反向搜索：

• 從所有特征開始。
• 先移除最不相關的特征，然后計算模型的交叉驗證誤差;對其它所有候選特征，重復這一過程;***，移除使交叉驗證誤差***的候選特征。
• 重復，直到達到期望數(shù)量的特征為止!
• 使用交叉驗證的準則來移除和增加特征!

步驟六：超參數(shù)優(yōu)化

***，你可能想優(yōu)化算法的超參數(shù)。例如，主成分分析中的主成分個數(shù)，k 近鄰算法的參數(shù) k，或者是神經(jīng)網(wǎng)絡中的層數(shù)和學習速率。***的方法是使用交叉驗證來選擇。

一旦你運用了上述所有方法，你將有很好的機會創(chuàng)造出強大的機器學習系統(tǒng)。但是，你可能也猜到了，成敗在于細節(jié)，你可能不得不反復實驗，***才能走向成功。

原文：http://www.askaswiss.com/2017/02/how-to-choose-right-algorithm-for-your-machine-learning-problem.html

【本文是51CTO專欄機構(gòu)機器之心的原創(chuàng)譯文，微信公眾號“機器之心( id: almosthuman2014)”】

戳這里，看該作者更多好文