在神經網絡的成功的帶動下，越來越多的研究人員和開發(fā)人員都開始重新審視機器學習，開始嘗試用某些機器學習方法自動解決可以輕松采集數(shù)據的問題。然而，在眾多的機器學習算法中，哪些是又上手快捷又功能強大、適合新手學習的呢？

機器學習領域有一條“沒有免費的午餐”定理。簡單解釋下的話，它是說沒有任何一種算法能夠適用于所有問題，特別是在監(jiān)督學習中。

例如，你不能說神經網絡就一定比決策樹好，反之亦然。要判斷算法優(yōu)劣，數(shù)據集的大小和結構等眾多因素都至關重要。所以，你應該針對你的問題嘗試不同的算法。然后使用保留的測試集對性能進行評估，選出較好的算法。

當然，算法必須適合于你的問題。就比如說，如果你想清掃你的房子，你需要吸塵器，掃帚，拖把。而不是拿起鏟子去開始挖地。

不過，對于預測建模來說，有一條通用的原則適用于所有監(jiān)督學習算法。

機器學習算法可以描述為學習一個目標函數(shù) f，它能夠最好地映射出輸入變量 X 到輸出變量 Y。有一類普遍的學習任務。我們要根據輸入變量 X 來預測出 Y。我們不知道目標函數(shù) f 是什么樣的。如果早就知道，我們就可以直接使用它，而不需要再通過機器學習算法從數(shù)據中進行學習了。

最常見的機器學習就是學習 Y=f(X) 的映射，針對新的 X 預測 Y。這叫做預測建模或預測分析。我們的目標就是讓預測更加精確。

針對希望對機器學習有個基本了解的新人來說，下面將介紹數(shù)據科學家們最常使用的 10 種機器學習算法。

1. 線性回歸

線性回歸可能是統(tǒng)計和機器學習領域最廣為人知的算法之一。

以犧牲可解釋性為代價，預測建模的首要目標是減小模型誤差或將預測精度做到最佳。我們從統(tǒng)計等不同領域借鑒了多種算法，來達到這個目標。

線性回歸通過找到一組特定的權值，稱為系數(shù) B。通過最能符合輸入變量 x 到輸出變量 y 關系的等式所代表的線表達出來。

例如：y = B0 + B1 * x 。我們針對給出的輸入 x 來預測 y。線性回歸學習算法的目標是找到 B0 和 B1 的值。

不同的技巧可以用于線性回歸模型。比如線性代數(shù)的普通最小二乘法，以及梯度下降優(yōu)化算法。線性回歸已經有超過 200 年的歷史，已經被廣泛地研究。根據經驗，這種算法可以很好地消除相似的數(shù)據，以及去除數(shù)據中的噪聲。它是快速且簡便的首選算法。

2. 邏輯回歸

邏輯回歸是另一種從統(tǒng)計領域借鑒而來的機器學習算法。

與線性回歸相同。它的目的是找出每個輸入變量的對應參數(shù)值。不同的是，預測輸出所用的變換是一個被稱作 logistic 函數(shù)的非線性函數(shù)。

logistic 函數(shù)像一個大 S。它將所有值轉換為 0 到 1 之間的數(shù)。這很有用，我們可以根據一些規(guī)則將 logistic 函數(shù)的輸出轉換為 0 或 1（比如，當小于 0.5 時則為 1）。然后以此進行分類。

正是因為模型學習的這種方式，邏輯回歸做出的預測可以被當做輸入為 0 和 1 兩個分類數(shù)據的概率值。這在一些需要給出預測合理性的問題中非常有用。

就像線性回歸，在需要移除與輸出變量無關的特征以及相似特征方面，邏輯回歸可以表現(xiàn)得很好。在處理二分類問題上，它是一個快速高效的模型。

3. 線性判別分析

邏輯回歸是一個二分類問題的傳統(tǒng)分類算法。如果需要進行更多的分類，線性判別分析算法（LDA）是一個更好的線性分類方法。

對 LDA 的解釋非常直接。它包括針對每一個類的輸入數(shù)據的統(tǒng)計特性。對于單一輸入變量來說包括：

類內樣本均值

總體樣本變量

線性判別分析

通過計算每個類的判別值，并根據最大值來進行預測。這種方法假設數(shù)據服從高斯分布（鐘形曲線）。所以它可以較好地提前去除離群值。它是針對分類模型預測問題的一種簡單有效的方法。