刚开始学习数据科学时,笔者经常面临这样一个问题:遇到具体问题,选择何种算法才合适。也许你也和我一样,搜了很多有关机器学习算法的文章,会看到许多详细的描述,却并没有减少让抉择的难度。
言归正传,笔者建议你好好了解几个监督和无监督机器学习算法的实现方式和数学直觉思维,如:
在对机器学习任务的类型有一些了解之后,就可以根据问题陈述来探索现实生活中最流行的算法及其应用。读完本文之后,就试着解决这些问题吧!相信你一定获益匪浅。
解决该问题的机器学习算法:诸如随机森林和梯度提升之类的高级回归算法。
解决该问题的机器学习算法:聚类算法(肘部法则)。
解决该问题的机器学习算法:不平衡数据集分类算法。
解决该问题的机器学习算法:卷积神经网络(U-Net网络是用于分割的不二之选)。
解决该问题的机器学习算法:线性判别分析(LDA)或二次判别分析(QDA)。LDA特别受欢迎,因为它既是分类器又是降维技术。
解决该问题的机器学习算法:在这方面,决策树堪称“职业玩家”。
解决该问题的机器学习算法:逻辑回归或决策树。
解决该问题的机器学习算法:朴素贝叶斯-支持向量机(NBSVM算法)。
解决该问题的机器学习算法:分类算法。建议使用朴素贝叶斯、支持向量机、多层感知器神经网络(MLPNNs)和径向基函数神经网络(RBFNN)算法。
问题陈述10:预测用户点击在线广告的可能性。
解决该问题的机器学习算法:逻辑回归或支持向量机。
解决该问题的机器学习算法:自适应提升、孤立森林或随机森林。
解决该问题的机器学习算法:梯度提升是解决此问题的最佳选择。
解决该问题的机器学习算法:简单神经网络。
解决该问题的机器学习算法:神经网络。
解决该问题的机器学习算法:K均值聚类算法。
解决该问题的机器学习算法:高斯混合模型。
解决该问题的机器学习算法:高斯混合模型。
解决该问题的机器学习算法:层次聚类算法。
解决该问题的机器学习算法:推荐系统。
解决该问题的机器学习算法:推荐系统。
解决该问题的机器学习算法:强化学习。
解决该问题的机器学习算法:卷积神经网络。
解决该问题的机器学习算法:强化学习。
解决该问题的机器学习算法:循环神经网络或长短期记忆网络(LSTM)。
解决该问题的机器学习算法:循环神经网络。
解决该问题的机器学习算法:循环神经网络。
解决该问题的机器学习算法:循环神经网络。
希望本文的介绍能让你对最常用的机器学习算法有所了解,当遇到特定问题时,能够快速反应,选择合适的机器学习算法。
本文转载自微信公众号「读芯术」,可以通过以下二维码关注。转载本文请联系读芯术公众号。
一直担心孩子睡不好、恨不得将所有人的手机调成静音的妻子,最近疯狂地迷恋上定...
简介 近年来游戏产业迅猛发展,光是 2020 年第一季度,中国游戏市场的销售收入就...
1月21日,微信迎来大版本更新,iOS微信更新到了8.0.0版本,并且带来了一系列的更...
去年9月2日,话说ROG发布了一款高端电竞路由器,配备了2.5Gbps的LAN口以及功率放...
12月15日,欧盟网络与信息安全局(ENISA)发布了题为《人工智能的网络安全挑战:...
这周末,国内网友再次经历一次大型真香现场! 10月16日晚上,iPhone12开启线上预...
产业数据: Forrester预测,中国的技术支出将在2020年增长2%,在2021年增长9%到1...
随着物联网产业的发展,NB-IoT也得到全面的应用,但在近几年的发展中,NB-IoT的...
根据最新消息,苹果即将推出的iPhone 12机型将全部支持5G,并且有传言表明,今年...
研究技术为人工智能和机器学习应用在现代商业环境提供了一个很好的途径。各行业...