machine-learning - 机器学习算法：哪个算法针对哪个问题？

Question

我是机器学习领域的新手，我注意到有很多算法/算法集可以使用：SVM、决策树、朴素贝叶斯、感知器等......这就是为什么我想知道应该使用哪种算法用于解决哪个问题？换句话说，哪个算法解决了哪个问题类别？

所以我的问题是，如果你知道一个很好的网站或书籍，专注于这个算法选择有问题？

任何帮助，将不胜感激。提前谢谢。

贺拉斯

Answer 1

参加Andrew Ng 在 coursera 上的机器学习课程。它完美地组合在一起，解释了不同类型的 ML 算法之间的差异，就何时使用每种算法提供了建议，并包含对从业者有用的材料以及如果你想要的数学。我自己正在学习机器学习，这是迄今为止最有用的资源。

（您可能会发现有用的另一条建议是考虑学习 python。这是基于我在早期阶段没有开始学习 python 并排除了许多基于 python 的书籍、网页、sdk 等所犯的错误. 事实证明，python 很容易上手，至少从我个人的观察来看，python 广泛用于机器学习和数据科学社区。）

Answer 2

scikit-learn.org 发布了此信息图，即使您不使用 sklearn 库，它也会很有帮助。

Answer 3

@TooTone：在我看来，机器学习实战可以帮助 OP 决定针对特定问题使用哪种技术，因为这本书对不同的 ML 算法以及每种算法的优缺点和“配合使用”进行了清晰的分类其中。我同意代码有点难以阅读，特别是对于不习惯矩阵运算的人。多年的研究浓缩成一个 10 行的 Python 程序，所以要做好准备，理解它需要一天的时间（至少对我来说）。

Answer 4

“哪个算法针对哪个问题？”这个问题很难回答。</p>

这种能力伴随着大量的经验和知识。所以我建议，你应该阅读一些关于机器学习的好书。可能，以下书将是一个很好的起点。

机器学习：概率视角

一旦你对机器学习有了一些了解，你就可以解决几个简单的机器学习问题。鸢尾花数据集是一个很好的起点。它由属于三种鸢尾物种的几个特征组成。最初开发一个简单的机器学习模型（例如逻辑回归）来对鸢尾物种进行分类，然后您可以逐渐转向更高级的模型，例如神经网络。

Answer 5

作为一个简单的起点，我会考虑我有什么输入以及我想要什么输出，这通常会在任何情况下缩小选择范围。例如，如果我有类别，而不是每个输入的数字和目标类别，那么决策树是一个好主意。如果我没有目标，我只能做聚类。如果我有数字输入和数字输出，我可以使用神经网络或其他类型的回归。我还可以使用生成回归方程的决策树。在此之后还有其他问题要问，但这是一个很好的起点。

Answer 6

关注 DZone Refcard 可能也有帮助.. http://refcardz.dzone.com/refcardz/machine-learning-predictive。但你最终将不得不深入研究每一个细节。