本文轉(zhuǎn)載自公眾號(hào)“讀芯術(shù)”(ID：AI_Discovery)

任意的機(jī)器學(xué)習(xí)問題都可以應(yīng)用多種算法，生成多種模型。例如，垃圾郵件檢測分類問題可以使用多種模型來解決，包括樸素貝葉斯模型、邏輯回歸模型和像BiLSTMs這樣的深度學(xué)習(xí)技術(shù)。

[[347078]]

擁有豐富的選擇是好的，但難點(diǎn)在于，如何決定在生產(chǎn)中實(shí)現(xiàn)哪個(gè)模型。雖然我們有許多性能指標(biāo)來評估一個(gè)模型，但為每個(gè)問題實(shí)現(xiàn)每個(gè)算法是不明智的。這需要大量的時(shí)間和大量的工作，因此，知道如何為特定的任務(wù)選擇正確的算法至關(guān)重要。

在本文中，我們將研究可以幫助選擇最適合你的項(xiàng)目和特定業(yè)務(wù)需求的算法的因素，理解這些因素將使你理解模型將要執(zhí)行的任務(wù)和問題的復(fù)雜性。

可解釋性

當(dāng)我們討論算法的可解釋性時(shí)，討論的是它解釋其預(yù)測的能力，缺乏這種解釋的算法被稱為黑箱算法。

像k-最近鄰算法(k-nearest neighbor，KNN)這樣的算法通過特征重要性具有較高的可解釋性，而線性模型這樣的算法通過賦予特征的權(quán)重具有可解釋性。當(dāng)考慮你的機(jī)器學(xué)習(xí)模型最終會(huì)做什么時(shí)，了解算法的可解釋性變得非常重要。

對于諸如檢測癌細(xì)胞或判斷房屋貸款的信用風(fēng)險(xiǎn)等分類問題，必須了解系統(tǒng)結(jié)果背后的原因。僅僅預(yù)測是不夠的，我們需要能夠評估它。即使預(yù)測是準(zhǔn)確的，我們也必須了解導(dǎo)致這些預(yù)測的過程。如果理解結(jié)果背后的原因是問題的要求，那么需要相應(yīng)地選擇合適的算法。

數(shù)據(jù)點(diǎn)的數(shù)量和特征

在選擇合適的機(jī)器學(xué)習(xí)算法時(shí)，數(shù)據(jù)點(diǎn)的特征和數(shù)量起著至關(guān)重要的作用。根據(jù)用例的不同，機(jī)器學(xué)習(xí)模型將與各種不同的數(shù)據(jù)集一起工作，這些數(shù)據(jù)集的數(shù)據(jù)點(diǎn)和特征也會(huì)有所不同。在某些情況下，選擇模型需要理解模型如何處理不同大小的數(shù)據(jù)集。

像神經(jīng)網(wǎng)絡(luò)這樣的算法可以很好地處理大量數(shù)據(jù)和大量特征。但有些算法，如支持向量機(jī)，只能處理有限數(shù)量的特征。在選擇算法時(shí)，一定要考慮到數(shù)據(jù)的大小和特征的數(shù)量。

數(shù)據(jù)格式

數(shù)據(jù)通常來自于開源和自定義數(shù)據(jù)資源的混合，因此它也可以以各種不同的格式出現(xiàn)。最常見的數(shù)據(jù)格式是分類的和數(shù)值的。任何給定的數(shù)據(jù)集可能只包含分類數(shù)據(jù)、數(shù)字?jǐn)?shù)據(jù)或兩者的組合。

算法只能處理數(shù)值數(shù)據(jù)，因此如果你的數(shù)據(jù)在格式上是分類的或非數(shù)值的，那么你將需要考慮將其轉(zhuǎn)換為數(shù)值數(shù)據(jù)的過程。

線性數(shù)據(jù)

在選擇模型之前，了解數(shù)據(jù)的線性是必要的一步。確定數(shù)據(jù)的線性有助于確定決策邊界或回歸線的形狀，這反過來指導(dǎo)我們使用的模型。一些諸如身高-體重的關(guān)系可以用線性函數(shù)表示，這意味著當(dāng)一個(gè)增加時(shí)，另一個(gè)通常以相同的值增加，這種關(guān)系可以用線性模型表示。 

 

通過散點(diǎn)圖理解數(shù)據(jù)的線性度

了解這一點(diǎn)將幫助你選擇合適的機(jī)器學(xué)習(xí)算法。如果數(shù)據(jù)幾乎是線性可分的，或者可以使用線性模型表示，那么支持向量機(jī)、線性回歸或邏輯回歸等算法是一個(gè)不錯(cuò)的選擇。此外，還可以采用深度神經(jīng)網(wǎng)絡(luò)或集成模型。

訓(xùn)練時(shí)間

訓(xùn)練時(shí)間是算法學(xué)習(xí)和創(chuàng)建模型所花費(fèi)的時(shí)間。對于像針對特定用戶的電影推薦這樣的用例，每次用戶登錄時(shí)都需要對數(shù)據(jù)進(jìn)行培訓(xùn)。但是對于像庫存預(yù)測這樣的用例，需要每秒鐘都對模型進(jìn)行訓(xùn)練。因此，考慮訓(xùn)練模型所花費(fèi)的時(shí)間是至關(guān)重要的。

眾所周知，神經(jīng)網(wǎng)絡(luò)需要大量的時(shí)間來訓(xùn)練一個(gè)模型。傳統(tǒng)的機(jī)器算法，如k近鄰算法和邏輯回歸算法，花費(fèi)的時(shí)間要少得多。一些算法，如隨機(jī)森林，需要根據(jù)所使用的CPU內(nèi)核不同的訓(xùn)練時(shí)間。

預(yù)測時(shí)間

預(yù)測時(shí)間是模型進(jìn)行預(yù)測所需要的時(shí)間。對于產(chǎn)品通常是搜索引擎或在線零售商店的互聯(lián)網(wǎng)公司來說，快速預(yù)測時(shí)間是用戶體驗(yàn)順暢的關(guān)鍵。在這些情況下，速度非常重要，如果預(yù)測速度太慢，即使有良好結(jié)果的算法也沒有用。

然而，在一些業(yè)務(wù)需求中，準(zhǔn)確性比預(yù)測時(shí)間更重要。比如在我們前面提到的癌細(xì)胞的例子中，或者在檢測欺詐交易時(shí)。支持向量機(jī)、線性回歸、邏輯回歸和幾種類型的神經(jīng)網(wǎng)絡(luò)等算法可以進(jìn)行快速預(yù)測。然而，像KNN和ensemble模型這樣的算法通常需要更多的時(shí)間來進(jìn)行預(yù)測。

存儲(chǔ)需求

如果可以將整個(gè)數(shù)據(jù)集加載到服務(wù)器或計(jì)算機(jī)的RAM中，則可以應(yīng)用大量算法。然而，當(dāng)這是不可能的，你可能需要采用增量學(xué)習(xí)算法。

增量學(xué)習(xí)是一種機(jī)器學(xué)習(xí)方法，通過輸入數(shù)據(jù)不斷地?cái)U(kuò)展已有模型的知識(shí)，即進(jìn)一步訓(xùn)練模型。增量學(xué)習(xí)算法的目的是適應(yīng)新的數(shù)據(jù)而不忘記已有的知識(shí)，因此不需要對模型進(jìn)行再訓(xùn)練。

在為機(jī)器學(xué)習(xí)任務(wù)選擇算法時(shí)，性能似乎是最明顯的指標(biāo)。但僅憑性能還不足以選擇出最佳算法，你的模型需要滿足其他標(biāo)準(zhǔn)，如內(nèi)存需求、訓(xùn)練和預(yù)測時(shí)間、可解釋性和數(shù)據(jù)格式。通過綜合更廣泛的因素，你可以做出更自信的決定。如果很難在幾個(gè)選定的模型中選擇最佳算法，你也可以在驗(yàn)證數(shù)據(jù)集上測試它們。

當(dāng)決定實(shí)現(xiàn)一個(gè)機(jī)器學(xué)習(xí)模型時(shí)，選擇正確的模型意味著分析你的需求和預(yù)期結(jié)果。雖然這可能需要一些額外的時(shí)間和努力，但回報(bào)是更高的準(zhǔn)確性和改進(jìn)的性能。