剛開始學習數(shù)據(jù)科學時，筆者經(jīng)常面臨這樣一個問題：遇到具體問題，選擇何種算法才合適。也許你也和我一樣，搜了很多有關機器學習算法的文章，會看到許多詳細的描述，卻并沒有減少讓抉擇的難度。

言歸正傳，筆者建議你好好了解幾個監(jiān)督和無監(jiān)督機器學習算法的實現(xiàn)方式和數(shù)學直覺思維，如：

• 線性回歸
• 邏輯回歸
• 決策樹
• 樸素貝葉斯
• 支持向量機
• 隨機森林
• 自適應提升(AdaBoost)
• 梯度提升樹(GBT)
• 簡單神經(jīng)網(wǎng)絡
• 層次聚類
• 高斯混合模型
• 卷積神經(jīng)網(wǎng)絡
• 循環(huán)神經(jīng)網(wǎng)絡
• 推薦系統(tǒng)

在對機器學習任務的類型有一些了解之后，就可以根據(jù)問題陳述來探索現(xiàn)實生活中最流行的算法及其應用。讀完本文之后，就試著解決這些問題吧!相信你一定獲益匪淺。

• 問題陳述1：預測房價走勢。

解決該問題的機器學習算法：諸如隨機森林和梯度提升之類的高級回歸算法。

• 問題陳述2：深挖客戶統(tǒng)計數(shù)據(jù)用以識別模式。

解決該問題的機器學習算法：聚類算法(肘部法則)。

• 問題陳述3：預測貸款還款情況。

解決該問題的機器學習算法：不平衡數(shù)據(jù)集分類算法。

• 問題陳述4：根據(jù)皮膚病變的特征(大小、形狀、顏色等)判斷病變?yōu)榱夹赃€是惡性。

解決該問題的機器學習算法：卷積神經(jīng)網(wǎng)絡(U-Net網(wǎng)絡是用于分割的不二之選)。

• 問題陳述5：預測客戶流失。

解決該問題的機器學習算法：線性判別分析(LDA)或二次判別分析(QDA)。LDA特別受歡迎，因為它既是分類器又是降維技術。

• 問題陳述6：為員工招聘提供決策框架。

解決該問題的機器學習算法：在這方面，決策樹堪稱“職業(yè)玩家”。

• 問題陳述7：了解并預測產(chǎn)品的熱銷屬性。

解決該問題的機器學習算法：邏輯回歸或決策樹。

• 問題陳述8：分析市場情緒，評估市場對產(chǎn)品的認知。

解決該問題的機器學習算法：樸素貝葉斯-支持向量機(NBSVM算法)。

• 問題陳述9：創(chuàng)建分類系統(tǒng)，過濾垃圾郵件。

解決該問題的機器學習算法：分類算法。建議使用樸素貝葉斯、支持向量機、多層感知器神經(jīng)網(wǎng)絡(MLPNNs)和徑向基函數(shù)神經(jīng)網(wǎng)絡(RBFNN)算法。

問題陳述10：預測用戶點擊在線廣告的可能性。

解決該問題的機器學習算法：邏輯回歸或支持向量機。

• 問題陳述11：檢測信用卡交易中的欺詐行為。

解決該問題的機器學習算法：自適應提升、孤立森林或隨機森林。

• 問題陳述12：根據(jù)車輛特性預估車輛價格。

解決該問題的機器學習算法：梯度提升是解決此問題的最佳選擇。

• 問題陳述13：預測病人加入醫(yī)保的概率。

解決該問題的機器學習算法：簡單神經(jīng)網(wǎng)絡。

• 問題陳述14：預測已注冊用戶是否愿意為某一產(chǎn)品支付一定金額。

解決該問題的機器學習算法：神經(jīng)網(wǎng)絡。

• 問題陳述15：根據(jù)顧客的不同特征(如年齡)進行分類。

解決該問題的機器學習算法：K均值聚類算法。

• 問題陳述16：從語音數(shù)據(jù)中提取特征用于語音識別系統(tǒng)。

解決該問題的機器學習算法：高斯混合模型。

• 問題陳述17：多目標跟蹤，用混合成分數(shù)目及均值預測目標在視頻序列中每幀的位置。

解決該問題的機器學習算法：高斯混合模型。

• 問題陳述18：排列一組微陣列實驗中的基因和樣本，揭示生物學上有趣的模式。

解決該問題的機器學習算法：層次聚類算法。

• 問題陳述19：根據(jù)特征相似的其他用戶的偏好，向用戶推薦電影。

解決該問題的機器學習算法：推薦系統(tǒng)。

• 問題陳述20：根據(jù)用戶閱讀的文章，向用戶推薦他們想讀的新聞文章。

解決該問題的機器學習算法：推薦系統(tǒng)。

• 問題陳述21：優(yōu)化自動駕駛汽車的駕駛行為。

解決該問題的機器學習算法：強化學習。

• 問題陳述22：通過醫(yī)學掃描診斷健康疾病。

解決該問題的機器學習算法：卷積神經(jīng)網(wǎng)絡。

• 問題陳述23：平衡不同需求周期下的電網(wǎng)負荷。

解決該問題的機器學習算法：強化學習。

• 問題陳述24：處理時間序列數(shù)據(jù)或序列(如音頻記錄或文本)。

解決該問題的機器學習算法：循環(huán)神經(jīng)網(wǎng)絡或長短期記憶網(wǎng)絡(LSTM)。

• 問題陳述25：翻譯語言。

解決該問題的機器學習算法：循環(huán)神經(jīng)網(wǎng)絡。

• 問題陳述26：為圖像生成標題。

解決該問題的機器學習算法：循環(huán)神經(jīng)網(wǎng)絡。

• 問題陳述27：訓練聊天機器人，處理客戶更細微的需求和問詢。

解決該問題的機器學習算法：循環(huán)神經(jīng)網(wǎng)絡。

希望本文的介紹能讓你對最常用的機器學習算法有所了解，當遇到特定問題時，能夠快速反應，選擇合適的機器學習算法。

本文轉載自微信公眾號「讀芯術」，可以通過以下二維碼關注。轉載本文請聯(lián)系讀芯術公眾號。