企業面臨的問題種類繁多，用於解決這些問題的ML模型種類繁多，因為有些算法比其他算法更擅長處理特定類型的問題。因此，我們需要清楚地瞭解每種ML模型的優點，今天我們列出了10種最流行的AI算法:
我們將解釋的基本特性和應用領域下面所有這些算法。然而,我們必須事先解釋機器學習的基本原則。
所有的機器學習模型旨在學習一些函數(f),提供最精確的輸入值之間的相關性(x)和輸出值(y)y = f(x)。
最常見的情況是,當我們有一些歷史數據X和Y和AI模型部署到可以提供最好的這些值之間的映射。結果不能100%準確,否則,這將是一個簡單的數學計算不需要機器學習。相反,f函數我們訓練可以用來預測新的Y使用新的X,從而使預測分析。各種毫升模型實現這個結果採用不同的方法,然而上面的主要概念保持不變。
線性迴歸 Linear Regression
線性迴歸中使用數理統計超過200年了。算法的目的是找到這樣的係數值(B),提供最影響精度的函數f我們正在努力訓練。最簡單的例子是
y= B0 + B1 * x,其中B0 + B1是相關功能
通過調整這些係數的權重,數據科學家得到不同結果的訓練。該算法成功的核心要求是有明確的數據沒有太多噪音(低價值信息)和刪除輸入的變量具有相似值(相關輸入值)。
這允許使用線性迴歸算法梯度下降優化金融統計數據的銀行、保險、醫療、營銷、等行業。
邏輯迴歸 Logistic Regression
邏輯迴歸是另一種流行的人工智能算法,能夠提供二進制的結果。這意味著該模型預測結果和可以指定一個y值的兩個類。函數也是基於改變權重的算法,但由於不同非線性邏輯函數是用於轉換結果。這個函數可以表示成一個s形線分離從虛假的真實值。
成功的需求是一樣的線性迴歸-刪除相同的值輸入樣本和減少噪音(低價值數據)。這是一個相當簡單的函數，可以比較快地掌握，對執行二進制分類非常有用。線性判別分析 Linear Discriminant Analysis (LDA)
這是一個邏輯迴歸模型的分支時,可以使用超過2類可以存在於輸出。數據的統計特性,如均值分別為每一個類和總方差總結類,計算模型。預測允許計算每個類和確定類的值最值。這個模型是正確的,需要分佈式的數據根據高斯鐘形曲線,所以所有主要的異常值應該事先被移除。這是一個偉大的和非常簡單的模型進行數據分類和構建預測模型。
決策樹 Decision Trees
這是一個最古老,最常用、最簡單和最有效的ML模型。它是一個典型的二叉樹是或否決定每個分裂,直到模型達到結果節點
這個模型是簡單的學習,它不需要數據規範化和可以幫助解決多種類型的問題。
Naive Bayes 貝葉斯
樸素貝葉斯算法是一個簡單,但非常強大的模型來解決各種複雜的問題。它可以計算2種可能性:
1、每個類出現的機會
2、條件概率為一個獨立的類,因為有一個額外的x修飾符。
模型被稱為天真的操作時,假設所有輸入數據值都與彼此無關。雖然這不能發生在現實世界中,這種簡單的算法可以應用於多種規範化數據流預測結果與一個偉大的精確度。
K-Nearest Neighbors
這是非常簡單的和非常強大的ML模式,使用整個訓練數據集作為代表。計算結果的預測價值通過檢查整個數據集K數據節點具有相似的價值觀(所謂的鄰居)和使用歐式數量(這可以很容易地計算基於價值差異)來確定結果值。
這樣的數據集需要大量計算資源的存儲和處理數據,受到精度損失當有多個屬性,必須不斷策劃。然而,他們的工作非常快,非常準確和有效地發現在大型數據集所需的值。
學習矢量量化 Learning Vector Quantization
KNN的唯一主要缺點是需要存儲和更新大型數據集。學習矢量量化或LVQ資訊進化模型,神經網絡,使用碼向量來定義所需的訓練數據集和整理結果。因此說,向量是隨機的,和學習的過程涉及到調整值最大化的預測精度。
因此說,找到最相似的價值觀的結果的向量的最高精確度預測結果的價值。
支持向量機Support Vector Machines
該算法是一種最廣泛討論的數據科學家之一,因為它提供了非常強大的功能進行數據分類。所謂的超平面是一條直線,把數據輸入節點有不同的價值觀,和這些點到超平面的向量可以支持它(當同一類的實例的所有數據都在同一側的超平面)或藐視它(當數據點在平面上的類)。
最好的超平面是最大的積極的向量和分離的數據節點。這是一個非常強大的分類機,可以應用於廣泛的數據歸一化問題。隨機決策森林 Random Decision Forests or Bagging
隨機決策森林形成決策樹,多個樣本數據處理通過決策樹和結果彙總(喜歡收集許多樣品袋)找到更準確的輸出值。
找到一個最優的路線,而是多重次優路由定義,從而使總的結果更精確。如果決策樹解決問題之後,隨機森林是一個調整的方法,提供了一個更好的結果。深度神經網絡 Deep Neural Networks
DNNs 是最廣泛使用的人工智能和ML算法。有顯著改善深上優於文本和語音應用程序,機器感知和OCR深層神經網絡,以及使用深度學習賦予強化學習和機器人運動,連同其他雜款的應用程序。
正如你所看到的,有一個充足的各種人工智能算法和ML模式。一些更適合數據分類、excel在其他領域。沒有模型適合所有大小,所以為你選擇最好的情況是至關重要的。
如何知道這個模型是正確的嗎?考慮以下因素:
1、3 V的大數據需要處理(輸入的數量、種類和速度)
2、計算資源的數量在你的處置
3、時間可以花在數據處理
4、數據處理的目的
因此說,如果一些模型提供了94%的預測精度為代價的兩次延長處理時間,相比86%準確的算法——各種各樣的選擇大大增加。
然而,最大的問題通常是高層的普遍缺乏專業技能來設計和實現數據分析和機器學習解決方案。這就是為什麼大多數企業選擇託管服務提供商之一,專門從事大數據和人工智能的解決方案。