剛開始學(xué)習(xí)數(shù)據(jù)科學(xué)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(guān)機器學(xué)習(xí)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(xué)習(xí)算法的實現(xiàn)方式和數(shù)學(xué)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(yīng)提升（AdaBoost）

梯度提升樹（GBT）

簡單神經(jīng)網(wǎng)絡(luò)

層次聚類

高斯混合模型

卷積神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)

推薦系統(tǒng)

在對機器學(xué)習(xí)任務(wù)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(yīng)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(yù)測房價走勢。

解決該問題的機器學(xué)習(xí)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(xué)習(xí)算法：聚類算法（肘部法則）。

問題陳述3：預(yù)測貸款還款情況。

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

問題陳述5：預(yù)測客戶流失。

解決該問題的機器學(xué)習(xí)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(shù)。

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(xué)習(xí)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(yù)測產(chǎn)品的熱銷屬性。

解決該問題的機器學(xué)習(xí)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(xué)習(xí)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(xué)習(xí)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(luò)（MLPNNs）和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）算法。

問題陳述10：預(yù)測用戶點擊在線廣告的可能性。

解決該問題的機器學(xué)習(xí)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(xué)習(xí)算法：自適應(yīng)提升、孤立森林或隨機森林。

問題陳述12：根據(jù)車輛特性預(yù)估車輛價格。

解決該問題的機器學(xué)習(xí)算法：梯度提升是解決此問題的最佳選擇。

問題陳述13：預(yù)測病人加入醫(yī)保的概率。

解決該問題的機器學(xué)習(xí)算法：簡單神經(jīng)網(wǎng)絡(luò)。

問題陳述14：預(yù)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(xué)習(xí)算法：神經(jīng)網(wǎng)絡(luò)。

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(xué)習(xí)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(xué)習(xí)算法：高斯混合模型。

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

解決該問題的機器學(xué)習(xí)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(xué)上有趣的模式。

解決該問題的機器學(xué)習(xí)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(xué)習(xí)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(xué)習(xí)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(xué)習(xí)算法：強化學(xué)習(xí)。

問題陳述22：通過醫(yī)學(xué)掃描診斷健康疾病。

解決該問題的機器學(xué)習(xí)算法：卷積神經(jīng)網(wǎng)絡(luò)。

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(xué)習(xí)算法：強化學(xué)習(xí)。

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(xué)習(xí)算法：循環(huán)神經(jīng)網(wǎng)絡(luò)或長短期記憶網(wǎng)絡(luò)（LSTM）。

問題陳述25：翻譯語言。

解決該問題的機器學(xué)習(xí)算法：循環(huán)神經(jīng)網(wǎng)絡(luò)。

問題陳述26：為圖像生成標(biāo)題。

解決該問題的機器學(xué)習(xí)算法：循環(huán)神經(jīng)網(wǎng)絡(luò)。

問題陳述27：訓(xùn)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(xué)習(xí)算法：循環(huán)神經(jīng)網(wǎng)絡(luò)。

希望本文的介紹能讓你對最常用的機器學(xué)習(xí)算法有所了解，當(dāng)遇到特定問題時，能夠快速反應(yīng)，選擇合適的機器學(xué)習(xí)算法。
責(zé)編AJX