在我們了解了需要解決的機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)算法。在這個(gè)帖子里，我們會介紹一遍最流行的機(jī)器學(xué)習(xí)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(kuò)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(gè)帖子里，我希望給你兩種方式來思考和區(qū)分在這個(gè)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(xué)習(xí)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(xué)習(xí)方式
基于其與經(jīng)驗(yàn)、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(gè)算法可以用不同的方式對一個(gè)問題建模。在機(jī)器學(xué)習(xí)和人工智能教科書中，流行的做法是首先考慮一個(gè)算法的學(xué)習(xí)方式。
算法的主要學(xué)習(xí)方式和學(xué)習(xí)模型只有幾個(gè)，我們將會逐一介紹它們，并且給出幾個(gè)算法和它們適合解決的問題類型來作為例子。
監(jiān)督學(xué)習(xí)：輸入數(shù)據(jù)被稱為訓(xùn)練數(shù)據(jù)，它們有已知的標(biāo)簽或者結(jié)果，比如垃圾郵件/非垃圾郵件或者某段時(shí)間的股票價(jià)格。模型的參數(shù)確定需要通過一個(gè)訓(xùn)練的過程，在這個(gè)過程中模型將會要求做出預(yù)測，當(dāng)預(yù)測不符時(shí)，則需要做出修改。
無監(jiān)督學(xué)習(xí)：輸入數(shù)據(jù)不帶標(biāo)簽或者沒有一個(gè)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(xué)習(xí)和聚類。算法的例子包括Apriori算法和K-means算法。
半監(jiān)督學(xué)習(xí)：輸入數(shù)據(jù)由帶標(biāo)記的和不帶標(biāo)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(shí)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(biāo)記數(shù)據(jù)建模做出了一些假設(shè)。
強(qiáng)化學(xué)習(xí):輸入數(shù)據(jù)作為來自環(huán)境的激勵(lì)提供給模型，且模型必須作出反應(yīng)。反饋并不像監(jiān)督學(xué)習(xí)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(jiǎng)賞。典型問題有系統(tǒng)和機(jī)器人控制。算法的例子包括Q-學(xué)習(xí)和時(shí)序差分學(xué)習(xí)（Temporal Difference Learning）。
當(dāng)你處理大量數(shù)據(jù)來對商業(yè)決策建模時(shí)，通常會使用監(jiān)督和無監(jiān)督學(xué)習(xí)。目前一個(gè)熱門話題是半監(jiān)督學(xué)習(xí)，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(biāo)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(gè)類別，比如學(xué)習(xí)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(shí)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?yàn)槿绱耍銜䦶牟煌膩碓纯吹綄λ惴ㄟM(jìn)行不同的歸類。就像機(jī)器學(xué)習(xí)算法自身一樣，沒有完美的模型，只有足夠好的模型。
在這個(gè)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(jī)器學(xué)習(xí)算法。雖然不管是類別還是算法都不是全面詳盡的，但我認(rèn)為它們都具有代表性，有助于你對整個(gè)領(lǐng)域有一個(gè)大致的了解。如果你發(fā)現(xiàn)有一個(gè)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(gè)衡量模型預(yù)測誤差的量，然后通過這個(gè)量來反復(fù)優(yōu)化變量之間的關(guān)系。回歸方法是統(tǒng)計(jì)學(xué)的主要應(yīng)用，被歸為統(tǒng)計(jì)機(jī)器學(xué)習(xí)。這有些讓人迷惑，因?yàn)槲覀兛梢杂没貧w來指代一類問題和一類算法。實(shí)際上，回歸是一個(gè)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(xiàng)式回歸擬合(LOESS)
基于實(shí)例的方法
基于實(shí)例的學(xué)習(xí)模型對決策問題進(jìn)行建模，這些決策基于訓(xùn)練數(shù)據(jù)中被認(rèn)為重要的或者模型所必需的實(shí)例。這類方法通常會建立一個(gè)范例數(shù)據(jù)庫，然后根據(jù)某個(gè)相似性衡量標(biāo)準(zhǔn)來把新數(shù)據(jù)和數(shù)據(jù)庫進(jìn)行比較，從而找到最匹配的項(xiàng)，最后作出預(yù)測。因此，基于實(shí)例的方法還被叫做“贏者通吃”方法和基于記憶的學(xué)習(xí)。這種方法的重點(diǎn)在于已有實(shí)例的表示以及實(shí)例間相似性的衡量標(biāo)準(zhǔn)。
K最近鄰算法(kNN)
學(xué)習(xí)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(kuò)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?yàn)樗麄兞餍小?qiáng)大，而且通常只是對其他方法簡單的改進(jìn)。
嶺回歸
套索算法(LASSO)
彈性網(wǎng)絡(luò)
決策樹學(xué)習(xí)
決策樹方法對決策過程進(jìn)行建模，決策是基于數(shù)據(jù)中屬性的實(shí)際數(shù)值。決策在樹形結(jié)構(gòu)上分叉直到對特定的某個(gè)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(jī)森林
多元自適應(yīng)樣條回歸(MARS)
梯度推進(jìn)機(jī)(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(jī)算法，它其實(shí)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(gè)高維度的矢量空間，在這個(gè)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(jī)(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(xué)習(xí)
關(guān)聯(lián)規(guī)則學(xué)習(xí)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(jìn)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(shí)這個(gè)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(xué)習(xí)從這個(gè)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(xué)習(xí)矢量量化(LVQ)
深度學(xué)習(xí)
深度學(xué)習(xí)方法是利用便宜冗余的計(jì)算資源對人工神經(jīng)網(wǎng)絡(luò)的現(xiàn)代改進(jìn)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(biāo)記數(shù)據(jù)來解決半監(jiān)督學(xué)習(xí)問題。
受限玻爾茲曼機(jī)(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(xué)習(xí)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(gè)較弱模型組合而成，這些子模型獨(dú)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(xué)習(xí)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(qiáng)大的技術(shù)，因此也很流行。
推進(jìn)技術(shù)(Boosting)
自展集成(Bagging)
適應(yīng)性推進(jìn)(AdaBoost)
層疊泛化策略(Blending)
梯度推進(jìn)機(jī)(GBM)
隨機(jī)森林
