选择困难终结者:不同问题之下的机器学习算法

作者: 读芯术 2020-11-06 13:09:59

 刚开始学习数据科学时,笔者经常面临这样一个问题:遇到具体问题,选择何种算法才合适。也许你也和我一样,搜了很多有关机器学习算法的文章,会看到许多详细的描述,却并没有减少让抉择的难度。

言归正传,笔者建议你好好了解几个监督和无监督机器学习算法的实现方式和数学直觉思维,如:

  • 线性回归
  • 逻辑回归
  • 决策树
  • 朴素贝叶斯
  • 支持向量机
  • 随机森林
  • 自适应提升(AdaBoost)
  • 梯度提升树(GBT)
  • 简单神经网络
  • 层次聚类
  • 高斯混合模型
  • 卷积神经网络
  • 循环神经网络
  • 推荐系统

在对机器学习任务的类型有一些了解之后,就可以根据问题陈述来探索现实生活中最流行的算法及其应用。读完本文之后,就试着解决这些问题吧!相信你一定获益匪浅。

  • 问题陈述1:预测房价走势。

解决该问题的机器学习算法:诸如随机森林和梯度提升之类的高级回归算法。

  • 问题陈述2:深挖客户统计数据用以识别模式。

解决该问题的机器学习算法:聚类算法(肘部法则)。

  • 问题陈述3:预测贷款还款情况。

解决该问题的机器学习算法:不平衡数据集分类算法。

  • 问题陈述4:根据皮肤病变的特征(大小、形状、颜色等)判断病变为良性还是恶性。

解决该问题的机器学习算法:卷积神经网络(U-Net网络是用于分割的不二之选)。

  • 问题陈述5:预测客户流失。

解决该问题的机器学习算法:线性判别分析(LDA)或二次判别分析(QDA)。LDA特别受欢迎,因为它既是分类器又是降维技术。

  • 问题陈述6:为员工招聘提供决策框架。

解决该问题的机器学习算法:在这方面,决策树堪称“职业玩家”。

  • 问题陈述7:了解并预测产品的热销属性。

解决该问题的机器学习算法:逻辑回归或决策树。

  • 问题陈述8:分析市场情绪,评估市场对产品的认知。

解决该问题的机器学习算法:朴素贝叶斯-支持向量机(NBSVM算法)。

  • 问题陈述9:创建分类系统,过滤垃圾邮件。

解决该问题的机器学习算法:分类算法。建议使用朴素贝叶斯、支持向量机、多层感知器神经网络(MLPNNs)和径向基函数神经网络(RBFNN)算法。

问题陈述10:预测用户点击在线广告的可能性。

解决该问题的机器学习算法:逻辑回归或支持向量机。

  • 问题陈述11:检测信用卡交易中的欺诈行为。

解决该问题的机器学习算法:自适应提升、孤立森林或随机森林。

  • 问题陈述12:根据车辆特性预估车辆价格。

解决该问题的机器学习算法:梯度提升是解决此问题的最佳选择。

  • 问题陈述13:预测病人加入医保的概率。

解决该问题的机器学习算法:简单神经网络。

  • 问题陈述14:预测已注册用户是否愿意为某一产品支付一定金额。

解决该问题的机器学习算法:神经网络。

  • 问题陈述15:根据顾客的不同特征(如年龄)进行分类。

解决该问题的机器学习算法:K均值聚类算法。

  • 问题陈述16:从语音数据中提取特征用于语音识别系统。

解决该问题的机器学习算法:高斯混合模型。

  • 问题陈述17:多目标跟踪,用混合成分数目及均值预测目标在视频序列中每帧的位置。

解决该问题的机器学习算法:高斯混合模型。

  • 问题陈述18:排列一组微阵列实验中的基因和样本,揭示生物学上有趣的模式。

解决该问题的机器学习算法:层次聚类算法。

  • 问题陈述19:根据特征相似的其他用户的偏好,向用户推荐电影。

解决该问题的机器学习算法:推荐系统。

  • 问题陈述20:根据用户阅读的文章,向用户推荐他们想读的新闻文章。

解决该问题的机器学习算法:推荐系统。

  • 问题陈述21:优化自动驾驶汽车的驾驶行为。

解决该问题的机器学习算法:强化学习。

  • 问题陈述22:通过医学扫描诊断健康疾病。

解决该问题的机器学习算法:卷积神经网络。

  • 问题陈述23:平衡不同需求周期下的电网负荷。

解决该问题的机器学习算法:强化学习。

  • 问题陈述24:处理时间序列数据或序列(如音频记录或文本)。

解决该问题的机器学习算法:循环神经网络或长短期记忆网络(LSTM)。

  • 问题陈述25:翻译语言。

解决该问题的机器学习算法:循环神经网络。

  • 问题陈述26:为图像生成标题。

解决该问题的机器学习算法:循环神经网络。

  • 问题陈述27:训练聊天机器人,处理客户更细微的需求和问询。

解决该问题的机器学习算法:循环神经网络。

希望本文的介绍能让你对最常用的机器学习算法有所了解,当遇到特定问题时,能够快速反应,选择合适的机器学习算法。

本文转载自微信公众号「读芯术」,可以通过以下二维码关注。转载本文请联系读芯术公众号。

的机器学习
上一篇:人工智能驱动内存互连进化 下一篇:警用无人机百亿蓝海如何变现?未来注意这三点!
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

就算戴上口罩,AI也知道你在说啥

现在,检测面部肌肉变化的AI来了,只要你动了嘴,哪怕没出声,它也能知道你在说什么。

萧箫 ·  17h前
AI生成肖像画,精细到毛发!北大校友最新研究收割2.8k星标

这款AI工具叫U∧2-Net(U Square Net),最近火到不行!不仅登上了GitHub热榜,收割了2.8k星标,还被顶会ICPR 2020 选中。

贝爽 ·  18h前
AI改进建筑施工安全的十种方式

根据美国国家设备注册局公布的数据,建筑盗窃造成的损失每年往往超过10亿美元。最新型号的设备、工具与用品的被盗可能性最高,追回的几率也最小。

科技行者 ·  18h前
5G和AI:现在和未来的互补技术

围绕人工智能和5G以及它们的变革潜力,科技界有很多热议。这两种技术的有趣之处在于,它们普遍适用于许多行业,并可能改变其中许多技术的运作方式。

佚名 ·  20h前
放飞无人机并非想飞就能飞

自古以来,人们就梦想着能像鸟儿一样翱翔蓝天,无论是童年的纸飞机,还是如今的无人机,放飞的都是人们对天空的热爱。但是无人机放飞并非想飞就飞。这不,第三届进博会期间,上海公安机关便查处了一起多次违规施放无人机、扰乱公共秩序的案件,这也是上海首次出现因违规施放无人机被依法行政拘留的案例。

中国民航网 ·  21h前
智能制造技术:高效生产的未来?

COVID-19对的财务影响目前可能会阻碍对智能制造技术的投资,但是它们的明显好处将在未来几年加速采用。

佚名 ·  21h前
AI的偏见:机器就是绝对理性的么?

人工智能已经遍布我们的日常生活。从YouTube的首页推荐到生产药物,它无所不在,它对我们生活的影响超出我们的想象。但人工智能一定公平吗?不,绝对不是。

读芯术 ·  21h前
机器学习的5个成功案例

如今人工智能和机器学习在企业界受到越来越热烈的追捧,企业组织日益利用这些技术更准确地预测客户的偏好,并加强业务运营。

计算机世界 ·  1天前
Copyright©2005-2020 51CTO.COM 版权所有 未经许可 请勿转载