機(jī)器學(xué)習(xí)中有哪一些算法是經(jīng)常用的

AI技術(shù)發(fā)展的三大支柱：“算法＋大數(shù)據(jù)＋計(jì)算能力”，算法是人工智能發(fā)展的核心關(guān)鍵之一，很多技術(shù)環(huán)節(jié)和系統(tǒng)功能的實(shí)現(xiàn)都依賴于算法的精準(zhǔn)度，算法的優(yōu)劣直接影響了人工智能的發(fā)展方向。那么我們當(dāng)下感受到的人工智能生活服務(wù)，運(yùn)用了哪些AI算法呢？跟隨OFweek編輯一起來看看吧。

1．人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANN）以大腦處理機(jī)制作為基礎(chǔ)，開發(fā)用于建立復(fù)雜模式和預(yù)測問題的算法。該類型算法在語音、語義、視覺、各類游戲等任務(wù)中表現(xiàn)極好，但需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，且訓(xùn)練要求很高的硬件配置。

ANN在圖像和字符識別中起著重要的作用，手寫字符識別在欺詐檢測甚至國家安全評估中有很多應(yīng)用。ANN 的研究為深層神經(jīng)網(wǎng)絡(luò)鋪平了道路，是「深度學(xué)習(xí)」的基礎(chǔ)，現(xiàn)已在計(jì)算機(jī)視覺、語音識別、自然語言處理等方向開創(chuàng)了一系列令人激動的創(chuàng)新。

2．決策樹

在機(jī)器學(xué)習(xí)中，決策樹是一個(gè)預(yù)測模型，他代表的是對象屬性與對象值之間的一種映射關(guān)系。其采用一種樹形結(jié)構(gòu)，其中每個(gè)內(nèi)部節(jié)點(diǎn)表示一個(gè)屬性上的測試，每個(gè)分支代表一個(gè)測試輸出，每個(gè)葉節(jié)點(diǎn)代表一種類別。

決策樹算法屬于非參數(shù)型，較為容易解釋，但其趨向過擬合；可能陷入局部最小值中；無法在線學(xué)習(xí)。決策樹的生成主要分為兩步：1．節(jié)點(diǎn)的分裂：當(dāng)一個(gè)節(jié)點(diǎn)所代表的屬性無法給出判斷時(shí)，則選擇將該節(jié)點(diǎn)分成2個(gè)子節(jié)點(diǎn) 2． 閾值的確定：選擇適當(dāng)?shù)拈撝凳沟梅诸愬e(cuò)誤率最小。

3．集成算法

簡單算法一般復(fù)雜度低、速度快、易展示結(jié)果，其中的模型可以單獨(dú)進(jìn)行訓(xùn)練，并且它們的預(yù)測能以某種方式結(jié)合起來去做出一個(gè)總體預(yù)測。每種算法好像一種專家，集成就是把簡單的算法組織起來，即多個(gè)專家共同決定結(jié)果。

集成算法比使用單個(gè)模型預(yù)測出來的結(jié)果要精確的多，但需要進(jìn)行大量的維護(hù)工作。

AdaBoost的實(shí)現(xiàn)是一個(gè)漸進(jìn)的過程，從一個(gè)最基礎(chǔ)的分類器開始，每次尋找一個(gè)最能解決當(dāng)前錯(cuò)誤樣本的分類器。好處是自帶了特征選擇，只使用在訓(xùn)練集中發(fā)現(xiàn)有效的特征，這樣就降低了分類時(shí)需要計(jì)算的特征數(shù)量，也在一定程度上解決了高維數(shù)據(jù)難以理解的問題。

4．回歸算法

回歸分析是在一系列的已知自變量與因變量之間的相關(guān)關(guān)系的基礎(chǔ)上，建立變量之間的回歸方程，把回歸方程作為算法模型，通過其來實(shí)現(xiàn)對新自變量得出因變量的關(guān)系。因此回歸分析是實(shí)用的預(yù)測模型或分類模型。

5．貝葉斯算法

樸素貝葉斯分類是一種十分簡單的分類算法：對于給出的待分類項(xiàng)，求解在此項(xiàng)出現(xiàn)的條件下各個(gè)類別出現(xiàn)的概率，哪個(gè)最大，就認(rèn)為此待分類項(xiàng)屬于哪個(gè)類別。

樸素貝葉斯分類分為三個(gè)階段，1．根據(jù)具體情況確定特征屬性，并對每個(gè)特征屬性進(jìn)行適當(dāng)劃分，形成訓(xùn)練樣本集合2．計(jì)算每個(gè)類別在訓(xùn)練樣本中的出現(xiàn)頻率及每個(gè)特征屬性劃分對每個(gè)類別的條件概率估計(jì)3．使用分類器對待分類項(xiàng)進(jìn)行分類。

6．K近鄰

K緊鄰算法的核心是未標(biāo)記樣本的類別，計(jì)算待標(biāo)記樣本和數(shù)據(jù)集中每個(gè)樣本的距離，取距離最近的k個(gè)樣本。待標(biāo)記的樣本所屬類別就由這k個(gè)距離最近的樣本投票產(chǎn)生，給定其測試樣本，基于某種距離度量找出訓(xùn)練集中與其最靠近的k個(gè)訓(xùn)練樣本，然后基于這k個(gè)“鄰居”的信息來進(jìn)行預(yù)測。

K緊鄰算法準(zhǔn)確性高，對異常值和噪聲有較高的容忍度，但計(jì)算量較大，對內(nèi)存的需求也較大。該算法主要應(yīng)用于文本分類、模式識別、圖像及空間分類。

7．聚類算法

聚類算法是機(jī)器學(xué)習(xí)中涉及對數(shù)據(jù)進(jìn)行分組的一種算法。在給定的數(shù)據(jù)集中，我們可以通過聚類算法將其分成一些不同的組。應(yīng)用中科利用聚類分析，通過將數(shù)據(jù)分組可以比較清晰的獲取到數(shù)據(jù)信息。該算法讓數(shù)據(jù)變得有意義，但存在結(jié)果難以解讀，針對不尋常的數(shù)據(jù)組，結(jié)果可能無用。

在商業(yè)領(lǐng)域中，聚類可以幫助市場分析人員從消費(fèi)者數(shù)據(jù)庫中區(qū)分出不同的消費(fèi)群體來，并且概括出每一類消費(fèi)者的消費(fèi)模式或者說習(xí)慣。

8．隨機(jī)森林算法

隨機(jī)森林是一種有監(jiān)督學(xué)習(xí)算法，基于決策樹為學(xué)習(xí)器的集成學(xué)習(xí)算法。隨機(jī)森林非常簡單，易于實(shí)現(xiàn)，計(jì)算開銷也很小，但是它在分類和回歸上表現(xiàn)出非常驚人的性能，因此，隨機(jī)森林被譽(yù)為“代表集成學(xué)習(xí)技術(shù)水平的方法”。

隨機(jī)森林擁有廣泛的應(yīng)用前景，從市場營銷到醫(yī)療保健保險(xiǎn)，既可以用來做市場營銷模擬的建模，統(tǒng)計(jì)客戶來源，保留和流失，也可用來預(yù)測疾病的風(fēng)險(xiǎn)和病患者的易感性。

9．支持向量機(jī)

支持向量機(jī)通過尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來提高學(xué)習(xí)機(jī)泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化，從而達(dá)到在統(tǒng)計(jì)樣本量較少的情況下，亦能獲得良好統(tǒng)計(jì)規(guī)律的目的。它是一種二類分類模型，其基本模型定義為特征空間上的間隔最大的線性分類器，即支持向量機(jī)的學(xué)習(xí)策略便是間隔最大化，最終可轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問題的求解。

支持向量機(jī)可應(yīng)用于諸如文本分類，圖像分類，生物序列分析和生物數(shù)據(jù)挖掘，手寫字符識別等領(lǐng)域。

10．深度學(xué)習(xí)

深度學(xué)習(xí)基于人工神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)，區(qū)別于傳統(tǒng)的機(jī)器學(xué)習(xí)，深度學(xué)習(xí)需要更多樣本，換來更少的人工標(biāo)注和更高的準(zhǔn)確率。

深度學(xué)習(xí)是學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，這些學(xué)習(xí)過程中獲得的信息對諸如文字，圖像和聲音等數(shù)據(jù)的解釋有很大的幫助。它的最終目標(biāo)是讓機(jī)器能夠像人一樣具有分析學(xué)習(xí)能力，能夠識別文字、圖像和聲音等數(shù)據(jù)。 作為復(fù)雜的機(jī)器學(xué)習(xí)算法，在語音和圖像識別方面取得的效果，遠(yuǎn)遠(yuǎn)超過先前相關(guān)技術(shù)。

小結(jié)

算法是計(jì)算機(jī)科學(xué)領(lǐng)域最重要的基石之一，當(dāng)下需要處理的信息量是呈指數(shù)級的增長，每人每天都會創(chuàng)造出大量數(shù)據(jù)，無論是三維圖形、海量數(shù)據(jù)處理、機(jī)器學(xué)習(xí)、語音識別，都需要極大的計(jì)算量，在AI時(shí)代越來越多的挑戰(zhàn)需要靠卓越的算法來解決。

責(zé)任編輯：ct