遇到具体问题,选择哪种机器学习算法才合适?
↑↑↑点击上方蓝字,回复资料,10个G的惊喜


导语
希望本文能帮你理解这些机器学习算法,并针对特定问题选择合适的方法。
译者:季一帆
当我开始学习数据科学时,经常会面临到针对特定问题如何选择最合适的算法的问题。如果你和我一样,当你浏览到一些关于机器学习算法的文章,你会看到很多很多细节的描述。但是矛盾的是他们并没有让选择更容易。
那么,为了不让你感到学偏了,我建议你应该对一些监督学习算法和非监督学习算法的应用和其中的数学思想都要有个很好的理解。这些算法包括——
线性回归
Logistic回归
决策树
朴素贝叶斯
支持向量机
随机森林
AdaBoost
渐变树
简单神经网络
层次聚类
高斯混合模型
卷积神经网络
递归神经网络
推荐系统
我需要提醒你,在开始学习机器学习/深度学习时,一定要了解我提及到的那些机器学习算法。
在我们对各类算法有了一定的了解后,我们要学会如何根据具体问题去选择应用不同算法!
我想你保证,本博客将会帮助你学会用机器学习算法处理不同的问题!当前,学习过程不会是一蹴而就的。
问题一算法
问题1:房价预测问题
应用的机器学习算法:高级回归方法,如随机森林和梯度提升方法
问题2:客户数据统计以识别不同模式
应用的机器学习算法:聚类(肘部法则)
问题3:贷款还款预测;
应用的机器学习算法:非均衡数据的分类算法
问题5:预测客户流失;
应用的机器学习算法:线性判别分析(LDA)或二次判别分析(QDA),该类算法既是分类器又涉及降维技术,非常受欢迎
问题6:雇用新员工的决策框架;
应用的机器学习算法:决策树--毫无疑问
问题7:对产品出售影响最大的属性预测;
应用的机器学习算法:逻辑回归、决策树
问题8:情绪分析,以评估市场对产品的看法;
应用的机器学习算法::朴素贝叶斯--支持向量机(NBSVM)
问题9:垃圾邮件过滤的分类系统;
应用的机器学习算法:分类算法--朴素贝叶斯,SVM,多层感知机(MLPNNs),径向基函数神经网络(RBFNN)
问题10:在线广告点击率预测;
应用的机器学习算法:逻辑回归、支持向量机
问题11:信用卡交易中的欺诈活动检测;
应用的机器学习算法:Adaboost、孤立森林、随机森林
问题12:根据汽车特性预测价格
应用的机器学习算法:梯度提升树
问题13:预测患者加入医疗保健计划的可能性;
应用的机器学习算法:简单神经网络
问题14:预测注册用户是否愿意为产品支付特定价格
应用的机器学习算法:神经网络
问题15:按不同特征将客户分类(如年龄段)
应用的机器学习算法:K-means 聚类
问题16:语音识别中语音数据的特征提取
应用的机器学习算法:高斯混合模型
问题17:物体跟踪,可以根据混合组分数量及其均值预测视频序列中每帧中的物体位置
应用的机器学习算法:高斯混合模型
问题18:分析一组DNA微阵列样品,以揭示生物学上的有趣模式
应用的机器学习算法:分层聚类方法
问题19:根据相似顾客的偏好为用户推荐电影
应用的机器学习算法:推荐系统
问题20:基于用户的历史阅读记录为用户推荐新文章
应用的机器学习算法:推荐系统
问题21:优化无人驾驶汽车的驾驶行为
应用的机器学习算法:强化学习
问题22:根据医学扫描图像诊断健康状况
应用的机器学习算法:卷积神经网络
问题23:在动态需求周期平衡电网负荷
应用的机器学习算法:强化学习
问题24:处理时序数据(如录音、文本)
应用的机器学习算法:循环神经网络、LSTM
问题25:机器翻译
应用的机器学习算法:循环神经网络
问题26:图像标题生成
应用的机器学习算法:循环神经网络
问题27:聊天机器人,提供解决客户需求和查询服务
应用的机器学习算法:循环神经网络
希望本文能帮你理解这些机器学习算法,并针对特定问题选择合适的方法。
也可以加一下老胡的微信 围观朋友圈~~~
推荐阅读
(点击标题可跳转阅读)
老铁,三连支持一下,好吗?↓↓↓