常见的机器（qì）学习算（suàn）法

诞生于1956年的人（rén）工智（zhì）能，由（yóu）于受到（dào）智能算（suàn）法、计（jì）算速度、存储水平等因素的影响，在六十（shí）多年的发展过程中经历（lì）了多次高潮（cháo）和低谷。最近几年，得（dé）益于数据量（liàng）的上涨、运算（suàn）力的提升（shēng），特别是机器学习新算法（fǎ）的出现，人工智（zhì）能（néng）迎来了大（dà）爆发的时代。

提到机器学习这个词时（shí），有些人首先想到的可能是科幻电影里的（de）机器人。事实（shí）上，机（jī）器学习（xí）是（shì）一（yī）门多领（lǐng）域交叉学科，涉及概率论、统计学、算法复杂度（dù）理论等多（duō）门学科（kē）。专（zhuān）门研究计算机如何模（mó）拟或实现（xiàn）人类（lèi）的学（xué）习行为，利用数据或以往的经验，以此（cǐ）优化计算机程序的性（xìng）能标准。

根据学习任务（wù）的不同，我们可以将机器学习分为监督学习、非监（jiān）督学习、强化（huà）学习（xí）三种类型，而（ér）每种（zhǒng）类型又对应着一些算（suàn）法。

各（gè）种算法以及对应的任务类型（xíng）

接（jiē）下来就简（jiǎn）单介绍几种（zhǒng）常（cháng）用的机（jī）器学习算法及其（qí）应（yīng）用场（chǎng）景，通过（guò）本（běn）篇文章大（dà）家（jiā）可以对机（jī）器（qì）学习的常（cháng）用算法有个常识性的认（rèn）识。

一、监督学习

(1)支持向（xiàng）量机(Support Vector Machine，SVM)：是一（yī）类按监督学习方式对数（shù）据进行二（èr）元分类的（de）广义线（xiàn）性分类器，其决策边界是对学习样本求解的（de）最大边距（jù）超平面（miàn）。例如，在纸上有两类（lèi）线性（xìng）可分的点，支持向量机会寻找一条直线将这（zhè）两类点区分开来，并且与（yǔ）这些点的距离都尽可能远。

优点：泛化错误率低，结果易解（jiě）释。

缺点：对大规模训（xùn）练样本难（nán）以实施，解决（jué）多分类（lèi）问题存在困难，对参（cān）数调节和核函数的选（xuǎn）择（zé）敏感。

应（yīng）用场景：文本分类、人像识别（bié）、医（yī）学诊断等。

(2)决策树（shù）(Decision Tree)：是（shì）一个（gè）预测模型，代（dài）表的是对象属性与对象（xiàng）值之间的一种（zhǒng）映射关系。下图是如何在决策树中建模的简（jiǎn）单示例：

优点（diǎn）：易（yì）于理解和解释，可以可视化（huà）分析，容易提取出规则;能够处理不相关的特（tè）征。

缺点：对缺（quē）失数据（jù）处理比较困难。

应用场景：在决策过程应用较多（duō）。

(3)朴素贝叶斯（sī）分类(Naive Bayesian classification)：对于给出的（de）待（dài）分类项，求解此项出现的（de）条件下各个类别出现（xiàn）的概率，哪个（gè）最大，就认为此待（dài）分类属于哪个类别（bié）。贝叶斯公式为（wéi）：p(A|B)= p(B|A)*p(A/p(B)，其（qí）中P(A|B)表示（shì）后验（yàn）概（gài）率，P(B|A)是似然值，P(A)是类别的先验（yàn）概率（lǜ），P(B)代表预测（cè）器的先验概率（lǜ）。

优点：在数（shù）据较少（shǎo）的情况下仍（réng）然有效，可以（yǐ）处理多（duō）类别问题。

缺（quē）点：对输入数（shù）据的（de）准（zhǔn）备方式较（jiào）为敏感。

应（yīng）用场景：文本分（fèn）类、人（rén）脸识别、欺诈检测。

(4)k-近邻算法(K-Nearest Neighbor，KNN)：是一种基于实例的学习，采用测量（liàng）不同特征（zhēng）值之（zhī）间的距（jù）离方法进行分类。其基本思路是：给定一个训（xùn）练样本集，然后（hòu）输入没有标签的新数（shù）据，将新数据的每（měi）个特征与（yǔ）样（yàng）本集中数据对应的特征进行比较，找到最邻近的k个(通常是不大于20的整数)实（shí）例，这k个实例的多（duō）数属于某个（gè）类，就把该输入实例（lì）分类到这个类中（zhōng）。

优（yōu）点：简单、易于理解（jiě）、易于实现，无需（xū）估计参数。此外，与朴素贝叶斯之类的算法比，无数据输入假定、准确（què）度高、对（duì）异常数据（jù）值不敏（mǐn）感。

缺点：对于训练（liàn）数（shù）据依赖程度（dù）比较大，并且缺少训练阶段，无法应对多（duō）样本。

应用（yòng）场景：字（zì）符识别、文（wén）本分类、图像识别等领域。

二、非（fēi）监督学习

(1)主成分分析(Principal Component Analysis，PCA)：是（shì）一种（zhǒng）统计方（fāng）法。其主要思想是将n维特征映射到k维上，这k维是全新的（de）正（zhèng）交特（tè）征也被称为主成分，是在原有（yǒu）n维特征的基（jī）础上重新构造出来的k维特征（zhēng）。

优（yōu）点：降低数据的（de）复杂性（xìng），识别最（zuì）重要（yào）的多个（gè）特征。

缺点：主成分各个（gè）特征维度（dù）的含义具（jù）有一定的（de）模（mó）糊性，不如原始样本特征的解释性（xìng）强;有可能损失有用（yòng）的信息。

应（yīng）用场景：语音（yīn）、图像、通（tōng）信的（de）分析处理。

(2)奇异值分解(Singular Value Decomposition，SVD)：可以将一个比较复（fù）杂的（de）矩（jǔ）阵用（yòng）更小更简单的几个子矩阵的相乘来表（biǎo）示，这些小矩阵描述（shù）的是矩阵的重要的特性。

优点：简化数（shù）据，去除（chú）噪声点，提高算法的（de）结果。

缺点：数据的转（zhuǎn）换（huàn）可能难以理解（jiě）。

应用（yòng）场（chǎng）景：推荐系统、图片压缩等。

(3)K-均值聚类(K-Means)：是一（yī）种迭代求解的聚类分析算法，采用距离作（zuò）为相似性指标。其工作（zuò）流（liú）程是（shì）随机确定K个对象作为初始的聚类中心，然后计算每个（gè）对象与（yǔ）各个种子聚类中心之间的距离，把（bǎ）每个对象分配给距离（lí）它最（zuì）近的聚类（lèi）中（zhōng）心。

优点：算法（fǎ）简单容易实现。

缺点：可能收敛到局部最（zuì）小值，在大规（guī）模（mó）数据集上（shàng）收敛较（jiào）慢。

应（yīng）用（yòng）场（chǎng）景（jǐng）：图像处理、数据分析（xī）以及市（shì）场研究等（děng）。

三、强（qiáng）化学习

Q-learning：是一个基（jī）于（yú）值的强化（huà）学习算法，它根据动作值函（hán）数评估应该选择哪（nǎ）个（gè）动作（zuò），这（zhè）个函（hán）数（shù）决定了（le）处于某一个特定状态以（yǐ）及在该（gāi）状态下采取（qǔ）特（tè）定动作的奖励期望（wàng）值。

优点：可以接收更广的数据范（fàn）围。

缺点：缺（quē）乏通用性。

应用（yòng）场景：游（yóu）戏开发。

以上就是文章的全部内容（róng），相信大家对常用的机器（qì）学习算法应该有了大（dà）致的了解。

现（xiàn）如今（jīn），我们越来越多地看到（dào）机器学习（xí）算法为人（rén）类（lèi）带来的实际价值，如（rú）它们提供了关（guān）键的洞（dòng）察力（lì）和（hé）信息来（lái）报告战略决策。可以肯定的是，随着机器学习越来越流（liú）行，未来（lái）还将出现越来越（yuè）多能（néng）很好（hǎo）地处理（lǐ）任务（wù）的算法。