在我們了解了需要解決的機器學習問題的類型之后，我們可以開始考慮搜集來的數(shù)據(jù)的類型以及我們可以嘗試的機器學習算法。在這個帖子里，我們會介紹一遍最流行的機器學習算法。通過瀏覽主要的算法來大致了解可以利用的方法是很有幫助的。

可利用的算法非常之多。困難之處在于既有不同種類的方法，也有對這些方法的擴展。這導(dǎo)致很快就難以區(qū)分到底什么才是正統(tǒng)的算法。在這個帖子里，我希望給你兩種方式來思考和區(qū)分在這個領(lǐng)域中你將會遇到的算法。

第一種劃分算法的方式是根據(jù)學習的方式，第二種則是基于形式和功能的相似性(就像把相似的動物歸為一類一樣)。兩種方式都是有用的。

學習方式

基于其與經(jīng)驗、環(huán)境，或者任何我們稱之為輸入數(shù)據(jù)的相互作用，一個算法可以用不同的方式對一個問題建模。在機器學習和人工智能教科書中，流行的做法是首先考慮一個算法的學習方式。

算法的主要學習方式和學習模型只有幾個，我們將會逐一介紹它們，并且給出幾個算法和它們適合解決的問題類型來作為例子。

監(jiān)督學習：輸入數(shù)據(jù)被稱為訓(xùn)練數(shù)據(jù)，它們有已知的標簽或者結(jié)果，比如垃圾郵件/非垃圾郵件或者某段時間的股票價格。模型的參數(shù)確定需要通過一個訓(xùn)練的過程，在這個過程中模型將會要求做出預(yù)測，當預(yù)測不符時，則需要做出修改。

無監(jiān)督學習：輸入數(shù)據(jù)不帶標簽或者沒有一個已知的結(jié)果。通過推測輸入數(shù)據(jù)中存在的結(jié)構(gòu)來建立模型。這類問題的例子有關(guān)聯(lián)規(guī)則學習和聚類。算法的例子包括Apriori算法和K-means算法。

半監(jiān)督學習：輸入數(shù)據(jù)由帶標記的和不帶標記的組成。合適的預(yù)測模型雖然已經(jīng)存在，但是模型在預(yù)測的同時還必須能通過發(fā)現(xiàn)潛在的結(jié)構(gòu)來組織數(shù)據(jù)。這類問題包括分類和回歸。典型算法包括對一些其他靈活的模型的推廣，這些模型都對如何給未標記數(shù)據(jù)建模做出了一些假設(shè)。

強化學習:輸入數(shù)據(jù)作為來自環(huán)境的激勵提供給模型，且模型必須作出反應(yīng)。反饋并不像監(jiān)督學習那樣來自于訓(xùn)練的過程，而是作為環(huán)境的懲罰或者是獎賞。典型問題有系統(tǒng)和機器人控制。算法的例子包括Q-學習和時序差分學習（Temporal Difference Learning）。

當你處理大量數(shù)據(jù)來對商業(yè)決策建模時，通常會使用監(jiān)督和無監(jiān)督學習。目前一個熱門話題是半監(jiān)督學習，比如會應(yīng)用在圖像分類中，涉及到的數(shù)據(jù)集很大但是只包含極少數(shù)標記的數(shù)據(jù)。

算法相似性

通常，我們會把算法按照功能和形式的相似性來區(qū)分。比如樹形結(jié)構(gòu)和神經(jīng)網(wǎng)絡(luò)的方法。這是一種有用的分類方法，但也不是完美的。仍然有些算法很容易就可以被歸入好幾個類別，比如學習矢量量化，它既是受啟發(fā)于神經(jīng)網(wǎng)絡(luò)的方法，又是基于實例的方法。也有一些算法的名字既描述了它處理的問題，也是某一類算法的名稱，比如回歸和聚類。正因為如此，你會從不同的來源看到對算法進行不同的歸類。就像機器學習算法自身一樣，沒有完美的模型，只有足夠好的模型。

在這個小節(jié)里，我將會按照我覺得最直觀的方式列出許多流行的機器學習算法。雖然不管是類別還是算法都不是全面詳盡的，但我認為它們都具有代表性，有助于你對整個領(lǐng)域有一個大致的了解。如果你發(fā)現(xiàn)有一個或一類算法沒有被列入，將它寫在回復(fù)里和大家分享。讓我們來開始吧。

回歸分析

回歸是這樣一種建模方式，它先確定一個衡量模型預(yù)測誤差的量，然后通過這個量來反復(fù)優(yōu)化變量之間的關(guān)系。回歸方法是統(tǒng)計學的主要應(yīng)用，被歸為統(tǒng)計機器學習。這有些讓人迷惑，因為我們可以用回歸來指代一類問題和一類算法。實際上，回歸是一個過程。以下是一些例子：

普通最小二乘法

邏輯回歸

逐步回歸

多元自適應(yīng)樣條回歸(MARS)

局部多項式回歸擬合(LOESS)

基于實例的方法

基于實例的學習模型對決策問題進行建模，這些決策基于訓(xùn)練數(shù)據(jù)中被認為重要的或者模型所必需的實例。這類方法通常會建立一個范例數(shù)據(jù)庫，然后根據(jù)某個相似性衡量標準來把新數(shù)據(jù)和數(shù)據(jù)庫進行比較，從而找到最匹配的項，最后作出預(yù)測。因此，基于實例的方法還被叫做“贏者通吃”方法和基于記憶的學習。這種方法的重點在于已有實例的表示以及實例間相似性的衡量標準。

K最近鄰算法(kNN)

學習矢量量化(LVQ)

自組織映射(SOM)

正則化方法

這是對另一種方法（通常是回歸分析方法）的擴展，它懲罰復(fù)雜度高的模型，傾向推廣性好的更加簡單的模型。我在這里列下了一些正則化的方法，因為他們流行、強大，而且通常只是對其他方法簡單的改進。

嶺回歸

套索算法(LASSO)

彈性網(wǎng)絡(luò)

決策樹學習

決策樹方法對決策過程進行建模，決策是基于數(shù)據(jù)中屬性的實際數(shù)值。決策在樹形結(jié)構(gòu)上分叉直到對特定的某個記錄能做出預(yù)測。在分類或者回歸的問題中我們用數(shù)據(jù)來訓(xùn)練決策樹。

分類與回歸樹算法(CART)

迭代二叉樹3代(ID3)

C4.5算法

卡方自動互動檢視(CHAID)

單層決策樹

隨機森林

多元自適應(yīng)樣條回歸(MARS)

梯度推進機(GBM)

貝葉斯算法

貝葉斯方法是那些明確地在分類和回歸問題中應(yīng)用貝葉斯定理的算法。

樸素貝葉斯算法

AODE算法

貝葉斯信度網(wǎng)絡(luò)(BBN)

核函數(shù)方法

核函數(shù)方法中最為出名的是流行的支持向量機算法，它其實是一系列方法。核函數(shù)方法關(guān)心的是如何把輸入數(shù)據(jù)映射到一個高維度的矢量空間，在這個空間中，某些分類或者回歸問題可以較容易地解決。

支持向量機(SVM)

徑向基函數(shù)(RBF)

線性判別分析(LDA)

聚類方法

就像回歸一樣，聚類既表示一類問題，也表示一類方法。聚類方法一般按照建模方式來劃分：基于質(zhì)心的或者層級結(jié)構(gòu)的。所有的方法都是利用數(shù)據(jù)的內(nèi)在結(jié)構(gòu)來盡量地把數(shù)據(jù)歸入具有最大共性的一類里。

K均值法

最大期望算法(EM)

關(guān)聯(lián)規(guī)則學習

關(guān)聯(lián)規(guī)則學習是提取規(guī)則的一類算法，這些規(guī)則能最好地解釋觀測到的數(shù)據(jù)中的變量之間的關(guān)系。這些規(guī)則能在大型多維數(shù)據(jù)集中發(fā)現(xiàn)重要且在商業(yè)上有用的關(guān)聯(lián)，然后進一步被利用。

Apriori算法

Eclat算法

人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是受啟發(fā)于生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和/或功能的算法。它們是一類常用在回歸和分類問題中的模式匹配方法，但其實這個龐大的子類包含了上百種算法和算法的變形，可以解決各種類型的問題。一些經(jīng)典流行的方法包括（我已經(jīng)把深度學習從這個類中分出來了）：

感知器

反向傳播算法

Hopfield神經(jīng)網(wǎng)絡(luò)

自適應(yīng)映射(SOM)

學習矢量量化(LVQ)

深度學習

深度學習方法是利用便宜冗余的計算資源對人工神經(jīng)網(wǎng)絡(luò)的現(xiàn)代改進版。這類方法試圖建立大得多也復(fù)雜得多的神經(jīng)網(wǎng)絡(luò)，就如前面說到的，許多方法都是基于大數(shù)據(jù)集中非常有限的標記數(shù)據(jù)來解決半監(jiān)督學習問題。

受限玻爾茲曼機(RBM)

深度信念網(wǎng)(DBN)

卷積神經(jīng)網(wǎng)絡(luò)

層疊自動編碼器(SAE)

降維方法

如同聚類方法，降維方法試圖利用數(shù)據(jù)中的內(nèi)在結(jié)構(gòu)來總結(jié)或描述數(shù)據(jù)，所不同的是它以無監(jiān)督的方式利用更少的信息。這對于可視化高維數(shù)據(jù)或者為之后的監(jiān)督學習簡化數(shù)據(jù)都有幫助。

主成分分析(PCA)

偏最小二乘法回歸(PLS)

薩蒙映射

多維尺度分析(MDS)

投影尋蹤

集成方法

集成方法由多個較弱模型組合而成，這些子模型獨立訓(xùn)練，它們的預(yù)測結(jié)果以某種方式整合起來得出總的預(yù)測。很多努力都集中在選擇什么類型的學習模型作為子模型，以及用什么方式整合它們的結(jié)果。這是一類非常強大的技術(shù)，因此也很流行。

推進技術(shù)(Boosting)

自展集成(Bagging)

適應(yīng)性推進(AdaBoost)

層疊泛化策略(Blending)

梯度推進機(GBM)

隨機森林