最實用的機器學習演算法Top5

本文將推薦五種機器學習演算法，你應該考慮是否將它們投入應用。這五種演算法覆蓋最常用於聚類、分類、數值預測和樸素貝葉斯等四個門類。

1. 聚類演算法：k-means

聚類演算法的目標：觀察輸入數據集，並藉助數據集中不同樣本的特徵差異來努力辨別不同的數據組。聚類演算法最強大之處在於，它不需要本文中其他演算法所需的訓練過程，您只需簡單地提供數據，告訴演算法你想創造多少簇（樣本的組別），演算法會為每個簇來分配一個編號。這種規範聚類演算法就是k-means。

舉個例子，你的應用可用k-means來按照營銷目的區分你的網路服務的用戶。你只需要輸入（從電子商務網站獲取的）一組客戶的購買歷史，並確定四組客戶以進行分類營銷。此時，你為k-means提供了一個數據表，每行代表一名客戶，每列則是各種對客戶的購買行為特徵（如成為客戶的時間、每月評價花費、每月評價訂單量、地理位置、對當天航運的使用比例等等）。演算法會為表格增加一欄：編號1-4來表示不同的分組。

提示：使用kmeans函數或rxKmeans. 用以執行bt rx的函數是ScaleR的一部分，所以不能支持量很大的數據集。

2&3. 兩類、多類分類演算法

分類演算法的目標：輸入一行數據及一個類目名稱表，通過對數據的校驗估測其所屬的類目。分類演算法通常按照分類時的類目總數分為兩類和多類分類演算法。在你使用種演算法預測新數據前，你需要預先使用一組類目可知的數據對演算法加以訓練。

不妨舉個簡單的例子來說明兩類分類演算法：想像一個你希望得到是/否（或真/偽）的兩極化情形。此時，類別分別為「是」和「否」（或者「真」和「偽」）。兩類分類的典型應用是：根據歷史天氣條件（如溫度、風速、降水、氣壓）和航班信息（如航空公司、起飛時間、航班號）來預測未來航班會推遲15分鐘離開還是照常起飛。輸出分為「延遲」和「不延遲」兩類。在大多數情況下，兩類分類演算法的核心是邏輯回歸的使用，後者用於生成一個在0到1範圍內的值。如果該值小於0.5，往往會解釋為第一個類（如「不延遲」），否則會劃為第二類（如「延遲」）。

另一個應用是：預測貸款的償還情況，來作為拓展信用的一部分。你必須提供貸款人的相關數據，譬如信用分數、房產年限、工作時長、信用卡債務總額、數據採集年份以及有貸款違約記錄。分類為「會違約」和「不會違約」。這個例子之所以非常有趣，是因為對於一些機器學習所處理的難題來說，僅僅有預測結果並不足夠，還必須知曉結論是怎樣得出的。這時多組分類演算法形成的決策樹就派上用場了，決策樹中的多組分類演算法可以分析從輸入到最終生成預測的過程。回到貸款這一案例，不妨想像你是銀行方，當你拒絕了消費者的貸款新的信用卡要求時，消費者的下一個問題可能是「為什麼？」。通過決策樹，你可以具體回答：「好吧，你的信用分數太低了，信用卡債台高築，工作年頭又太短了。」

充分理解兩類分類演算法後，進一步理解多類分類演算法就順理成章了。多類分類演算法可應用於電影院，來告訴後者某部電影究竟是墊底的票房毒藥（不僅口碑差，而且主流觀眾不感興趣）、口碑導向（叫好不叫座）還是票房導向（口碑差，但是票房高）。三個分類分別是「毒藥」、「口碑導向」、「票房導向」。你也可以使用決策樹，來了解一部電影為何會得到這樣的評價。

提示：使用glm或rxLogit來進行兩類或多類分類。進行多類分類時，你可以使用rpart或rxDTree來建立可觀察決策樹。

4. 數值預測

數值預測演算法的目標：根據一組輸入，預測一個具體數值。仍然使用上文中航班延誤的例子，我們現在要做的不再是預測航班是否會推遲15分鐘，數值預測演算法將讓你知曉航班將具體被推遲多久。數值預測演算法的核心是線性回歸的使用（不要與分類演算法使用的邏輯回歸混淆），通過對歷史數據的線性擬合，線性回歸可以有效地進行數值預測。最好的例子是股票的預測，線性回歸根據過往數據的分布，擬合出一條最合適的直線，延長這條線你就可以預測將來的股票價格。

提示：使用Im或rxLinMod函數。

5. 樸素貝葉斯演算法

最後，你的採納清單上還缺一個機器學習中勞苦功高的演算法——樸素貝葉斯演算法。它的核心是因果關係。更具體地說，樸素貝葉斯演算法是在給定已知的成因的情況下，預測這一成因將產生的效果以及效果的程度。現實生活中的典型例子是癌症檢測。你可以通過對病人特定病狀（效果）的觀察，來預測病人患有癌症的概率（疾病是成因）。再舉個和你相關的例子，樸素貝葉斯演算法可以根據你已購買的商品為你推薦其他商品。例如，你網購了一些雞蛋，演算法會提醒你買些牛奶，因為你的購買歷史顯示：購買雞蛋（成因）會導致購買牛奶（效果）。樸素貝葉斯有趣的一點在於，它可以用於分類和數值預測。。

提示：使用naiveBayes和rxNaiveBayes函數。

推薦閱讀

《安全解決方案轉向機器學習》

推薦閱讀：