圖1：數(shù)據(jù)科學(xué)家最常用的10大算法，所有算法見文末表格

每個(gè)受訪者平均用到了8.1種算法，這相比于 2011 的相似調(diào)查顯示的結(jié)果有了巨大的增長。

相比2011年對(duì)數(shù)據(jù)分析算法的調(diào)查，我們注意到最常用的方法仍然是回歸，聚類，決策樹/規(guī)則以及可視化。比例增幅最大的是(增幅=%2016/%2011 -1)：

• Boosting算法，提升了40%。由2011年的23.5%提升倒2016年的40%
• 文本挖掘(Text Mining)，提升了30%。從27.7%提升到35.9%
• 可視化(Visualization)，提升了27%。從38.3%提升到48.7%
• 時(shí)間序列/序列分析(Time series/Sequence analysis)，提升了25%。從29.6%提升到37.0%
• 異常檢測(Anomaly/Deviation detection)，提升了19%，從16.4%提升到19.5%
• 組合方法(Ensemble methods)，提升了19%，從28.3%提升到33.6%
• 支持向量機(jī)(SVM)，提升了18%，從28.6%提升到33.6%
• 回歸(Regression)，提升了16%，從57.9%提升到67.1%

2016年新秀中最為流行的是

• K-最近鄰法(K-nearestneighbors), 46%

• 主成分分析(PCA), 43%

• 隨機(jī)森林(Random Forests), 38%

• 優(yōu)化(Optimization), 24%

• 神經(jīng)網(wǎng)絡(luò)-深度學(xué)習(xí)(Neural networks - Deep Learning), 19%

• 奇異值分解(Singular ValueDecomposition), 16%

降幅最大的是

• 關(guān)聯(lián)規(guī)則(Associationrules),下降了47%，從28.6%降為15.3%

• Uplift modeling,下降了36%，從4.8% 降為3.1%(出人意料的低，因?yàn)橛泻芏嘞嚓P(guān)文獻(xiàn)發(fā)表)

• 因子分析(Factor Analysis),下降了24%，從18.6%降為14.2%

• 存活分析(SurvivalAnalysis),下降了15%，從9.3%將為7.9%

下面的表格顯示了不同的算法類型的使用場所：監(jiān)督算法，無監(jiān)督算法，元算法和其它算法。應(yīng)用類型未知(NA，4.5%)或者其它職業(yè)類型(3%)的不包括在內(nèi)。

表1：不同職業(yè)類型的算法使用

我們注意到，幾乎所有的人都在使用監(jiān)督學(xué)習(xí)算法。政府和產(chǎn)業(yè)界的數(shù)據(jù)科學(xué)家們使用的算法類型比學(xué)生和科學(xué)界要多。產(chǎn)業(yè)數(shù)據(jù)科學(xué)家們更傾向于使用元算法。

不同職業(yè)類型最常用的10大算法+深度學(xué)習(xí)情況

接下來，我們分析了不同職業(yè)類型最常用的10大算法+深度學(xué)習(xí)情況

表2: 不同職業(yè)類型的10大算法+深度學(xué)習(xí)

為了更清楚地展示這些差異，我們用一個(gè)公式來計(jì)算不同職業(yè)類型的算法使用率偏倚：

偏倚=某種職業(yè)類型的算法使用率/所有職業(yè)類型的算法使用率-1

圖2：不同場所的算法使用率偏倚

我們注意到，產(chǎn)業(yè)數(shù)據(jù)科學(xué)家們更傾向于用回歸，可視化，統(tǒng)計(jì)，隨機(jī)森林和時(shí)間序列。政府/非盈利組織則更傾向于使用可視化，主成分分析和時(shí)間序列。學(xué)術(shù)界的研究人員們更多的用到主成分分析和深度學(xué)習(xí)。學(xué)生們普遍使用的算法較少，但多用到文本挖掘和深度學(xué)習(xí)。

接下來，我們看看某一具體地域的參與度，表示整體的KDnuggets用戶。

參與調(diào)查人員的地區(qū)分布：

• 美國/加拿大, 40%
• 歐洲, 32%
• 亞洲, 18%
• 拉丁美洲, 5.0%
• 非洲/中東, 3.4%
• 澳大利亞/新西蘭, 2.2%

在2011年的調(diào)查中，我們把產(chǎn)業(yè)和政府兩個(gè)行業(yè)的被調(diào)查者合為一組，把學(xué)術(shù)研究者和學(xué)生合為一組，然后計(jì)算行業(yè)政府組的算法使用親切度：

(行業(yè)政府組的算法使用率/學(xué)術(shù)學(xué)生組的算法使用率)/(行業(yè)政府組的人數(shù)/學(xué)術(shù)學(xué)生組的人數(shù))-1

因此，親切度為0的算法表示它在產(chǎn)業(yè)/政府組和學(xué)術(shù)學(xué)生組使用率相同。越高IG親切度說明該算法越偏向于產(chǎn)業(yè)，結(jié)果越小則算法越偏向于學(xué)術(shù)。

最偏向于“產(chǎn)業(yè)算法”是：

• uplifting modelling, 2.01
• 異常檢測, 1.61
• 存活分析, 1.39
• 因子分析, 0.83
• 時(shí)間序列/序列分析, 0.69
• 關(guān)聯(lián)規(guī)則, 0.5

盡管uplift modeling再次成為最偏向于“行業(yè)算法”，令人吃驚的卻是它使用率極低，只有3.1%，是整個(gè)調(diào)查中比例最低的。

最偏向于“學(xué)術(shù)算法”是：

• 神經(jīng)網(wǎng)絡(luò), -0.35
• 樸素貝葉斯, -0.35
• 支持向量機(jī), -0.24
• 深度學(xué)習(xí), -0.19
• 最大期望, -0.17

下圖顯示了所有算法及其產(chǎn)業(yè)/學(xué)術(shù)親切度。

圖3：KDnuggets調(diào)研：數(shù)據(jù)科學(xué)家使用最多的算法：產(chǎn)業(yè)與學(xué)術(shù)領(lǐng)域?qū)Ρ?/p>

下表是所有算法調(diào)研結(jié)果的細(xì)節(jié)，分別是2016年受訪人群使用比例，2011年使用比例，變化(2016年比例/2011年比例-1)以及上文提及的產(chǎn)業(yè)親切度。

來源：http://www.kdnuggets.com/2016/09/poll-algorithms-used-data-scientists.html

【本文是51CTO專欄機(jī)構(gòu)大數(shù)據(jù)文摘的原創(chuàng)譯文，微信公眾號(hào)“大數(shù)據(jù)文摘（ id: BigDataDigest）”】