机器学习中常见算法和应用场景 (转)
关于这个问题我今天正好看到了这个文章。讲的正是各个算法的优劣分析，很中肯。
https://zhuanlan.zhihu.com/p/25327755
14 年的时候有人做过一个实验 [1]，比较在不同数据集上（121 个），不同的分类器（179 个）的实际效果。
论文题为：Do we Need Hundreds of Classifiers to Solve Real World Classification Problems?
实验时间有点早，我尝试着结合我自己的理解、一些最近的实验，来谈一谈吧。主要针对分类器 (Classifier)。
写给懒得看的人：
没有最好的分类器，只有最合适的分类器。
随机森林平均来说最强，但也只在 9.9% 的数据集上拿到了第一，优点是鲜有短板。
SVM 的平均水平紧随其后，在 10.7% 的数据集上拿到第一。
神经网络（13.2%）和 boosting（~9%）表现不错。
数据维度越高，随机森林就比 AdaBoost 强越多，但是整体不及 SVM[2]。
数据量越大，神经网络就越强。
近邻 (Nearest Neighbor)
!
典型的例子是 KNN，它的思路就是——对于待判断的点，找到离它最近的几个数据点，根据它们的类型决定待判断点的类型。
它的特点是完全跟着数据走，没有数学模型可言。
适用情景：
需要一个特别容易解释的模型的时候。
比如需要向用户解释原因的推荐算法。
贝叶斯 (Bayesian)
!
典型的例子是 Naive Bayes，核心思路是根据条件概率计算待判断点的类型。
是相对容易理解的一个模型，至今依然被垃圾邮件过滤器使用。
适用情景：
需要一个比较容易解释，而且不同维度之间相关性较小的模型的时候。
可以高效处理高维数据，虽然结果可能不尽如人意。
决策树 (Decision tree)
image
[图片上传失败...(image-462239-1570604372654)]
决策树的特点是它总是在沿着特征做切分。随着层层递进，这个划分会越来越细。
虽然生成的树不容易给用户看，但是数据分析的时候，通过观察树的上层结构，能够对分类器的核心思路有一个直观的感受。
举个简单的例子，当我们预测一个孩子的身高的时候，决策树的第一层可能是这个孩子的性别。男生走左边的树进行进一步预测，女生则走右边的树。这就说明性别对身高有很强的影响。
适用情景：
因为它能够生成清晰的基于特征 (feature) 选择不同预测结果的树状结构，数据分析师希望更好的理解手上的数据的时候往往可以使用决策树。
同时它也是相对容易被攻击的分类器 [3]。这里的攻击是指人为的改变一些特征，使得分类器判断错误。常见于垃圾邮件躲避检测中。因为决策树最终在底层判断是基于单个条件的，攻击者往往只需要改变很少的特征就可以逃过监测。
受限于它的简单性，决策树更大的用处是作为一些更有用的算法的基石。
随机森林 (Random forest)
image
[图片上传失败...(image-d10053-1570604372654)]
提到决策树就不得不提随机森林。顾名思义，森林就是很多树。
严格来说，随机森林其实算是一种集成算法。它首先随机选取不同的特征 (feature) 和训练样本(training sample)，生成大量的决策树，然后综合这些决策树的结果来进行最终的分类。
随机森林在现实分析中被大量使用，它相对于决策树，在准确性上有了很大的提升，同时一定程度上改善了决策树容易被攻击的特点。
适用情景：
数据维度相对低（几十维），同时对准确性有较高要求时。
因为不需要很多参数调整就可以达到不错的效果，基本上不知道用什么方法的时候都可以先试一下随机森林。
SVM (Support vector machine)
image
[图片上传失败...(image-619992-1570604372654)]
SVM 的核心思想就是找到不同类别之间的分界面，使得两类样本尽量落在面的两边，而且离分界面尽量远。
最早的 SVM 是平面的，局限很大。但是利用核函数 (kernel function)，我们可以把平面投射(mapping) 成曲面，进而大大提高 SVM 的适用范围。
提高之后的 SVM 同样被大量使用，在实际分类中展现了很优秀的正确率。
适用情景：
SVM 在很多数据集上都有优秀的表现。
相对来说，SVM 尽量保持与样本间距离的性质导致它抗攻击的能力更强。
和随机森林一样，这也是一个拿到数据就可以先尝试一下的算法。
逻辑斯蒂回归 (Logistic regression)
逻辑斯蒂回归这个名字太诡异了，我就叫它 LR 吧，反正讨论的是分类器，也没有别的方法叫 LR。顾名思义，它其实是回归类方法的一个变体。
回归方法的核心就是为函数找到最合适的参数，使得函数的值和样本的值最接近。例如线性回归 (Linear regression) 就是对于函数 f(x)=ax+b，找到最合适的 a,b。
LR 拟合的就不是线性函数了，它拟合的是一个概率学中的函数，f(x) 的值这时候就反映了样本属于这个类的概率。
适用情景：
LR 同样是很多分类算法的基础组件，它的好处是输出值自然地落在 0 到 1 之间，并且有概率意义。
因为它本质上是一个线性的分类器，所以处理不好特征之间相关的情况。
虽然效果一般，却胜在模型清晰，背后的概率学经得住推敲。它拟合出来的参数就代表了每一个特征 (feature) 对结果的影响。也是一个理解数据的好工具。
判别分析 (Discriminant analysis)
判别分析主要是统计那边在用，所以我也不是很熟悉，临时找统计系的闺蜜补了补课。这里就现学现卖了。
判别分析的典型例子是线性判别分析 (Linear discriminant analysis)，简称 LDA。
（这里注意不要和隐含狄利克雷分布 (Latent Dirichlet allocation) 弄混，虽然都叫 LDA 但说的不是一件事。）
LDA 的核心思想是把高维的样本投射 (project) 到低维上，如果要分成两类，就投射到一维。要分三类就投射到二维平面上。这样的投射当然有很多种不同的方式，LDA 投射的标准就是让同类的样本尽量靠近，而不同类的尽量分开。对于未来要预测的样本，用同样的方式投射之后就可以轻易地分辨类别了。
使用情景：
判别分析适用于高维数据需要降维的情况，自带降维功能使得我们能方便地观察样本分布。它的正确性有数学公式可以证明，所以同样是很经得住推敲的方式。
但是它的分类准确率往往不是很高，所以不是统计系的人就把它作为降维工具用吧。
同时注意它是假定样本成正态分布的，所以那种同心圆形的数据就不要尝试了。
神经网络 (Neural network)
神经网络现在是火得不行啊。它的核心思路是利用训练样本 (training sample) 来逐渐地完善参数。还是举个例子预测身高的例子，如果输入的特征中有一个是性别（1: 男；0: 女），而输出的特征是身高（1: 高；0: 矮）。那么当训练样本是一个个子高的男生的时候，在神经网络中，从 “男” 到“高”的路线就会被强化。同理，如果来了一个个子高的女生，那从 “女” 到“高”的路线就会被强化。
最终神经网络的哪些路线比较强，就由我们的样本所决定。
神经网络的优势在于，它可以有很多很多层。如果输入输出是直接连接的，那它和 LR 就没有什么区别。但是通过大量中间层的引入，它就能够捕捉很多输入特征之间的关系。卷积神经网络有很经典的不同层的可视化展示 (visulization)，我这里就不赘述了。
神经网络的提出其实很早了，但是它的准确率依赖于庞大的训练集，原本受限于计算机的速度，分类效果一直不如随机森林和 SVM 这种经典算法。
使用情景：
数据量庞大，参数之间存在内在联系的时候。
当然现在神经网络不只是一个分类器，它还可以用来生成数据，用来做降维，这些就不在这里讨论了。
Rule-based methods
这个我是真不熟，都不知道中文翻译是什么。
它里面典型的算法是 C5.0 Rules，一个基于决策树的变体。因为决策树毕竟是树状结构，理解上还是有一定难度。所以它把决策树的结果提取出来，形成一个一个两三个条件组成的小规则。
使用情景：
它的准确度比决策树稍低，很少见人用。大概需要提供明确小规则来解释决定的时候才会用吧。
提升算法（Boosting）
接下来讲的一系列模型，都属于集成学习算法 (Ensemble Learning)，基于一个核心理念：三个臭皮匠，顶个诸葛亮。
翻译过来就是：当我们把多个较弱的分类器结合起来的时候，它的结果会比一个强的分类器更
典型的例子是 AdaBoost。
AdaBoost 的实现是一个渐进的过程，从一个最基础的分类器开始，每次寻找一个最能解决当前错误样本的分类器。用加权取和 (weighted sum) 的方式把这个新分类器结合进已有的分类器中。
它的好处是自带了特征选择（feature selection），只使用在训练集中发现有效的特征 (feature)。这样就降低了分类时需要计算的特征数量，也在一定程度上解决了高维数据难以理解的问题。
最经典的 AdaBoost 实现中，它的每一个弱分类器其实就是一个决策树。这就是之前为什么说决策树是各种算法的基石。
使用情景：
好的 Boosting 算法，它的准确性不逊于随机森林。虽然在 [1] 的实验中只有一个挤进前十，但是实际使用中它还是很强的。因为自带特征选择（feature selection）所以对新手很友好，是一个 “不知道用什么就试一下它吧” 的算法。
装袋算法（Bagging）
同样是弱分类器组合的思路，相对于 Boosting，其实 Bagging 更好理解。它首先随机地抽取训练集（training set），以之为基础训练多个弱分类器。然后通过取平均，或者投票 (voting) 的方式决定最终的分类结果。
因为它随机选取训练集的特点，Bagging 可以一定程度上避免过渡拟合 (overfit)。
在 [1] 中，最强的 Bagging 算法是基于 SVM 的。如果用定义不那么严格的话，随机森林也算是 Bagging 的一种。
使用情景：
相较于经典的必使算法，Bagging 使用的人更少一些。一部分的原因是 Bagging 的效果和参数的选择关系比较大，用默认参数往往没有很好的效果。
虽然调对参数结果会比决策树和 LR 好，但是模型也变得复杂了，没事有特别的原因就别用它了。
Stacking
这个我是真不知道中文怎么说了。它所做的是在多个分类器的结果上，再套一个新的分类器。
这个新的分类器就基于弱分类器的分析结果，加上训练标签 (training label) 进行训练。一般这最后一层用的是 LR。
Stacking 在 [1] 里面的表现不好，可能是因为增加的一层分类器引入了更多的参数，也可能是因为有过渡拟合 (overfit) 的现象。
使用情景：
没事就别用了。
（修订：
庄岩 提醒说 stacking 在数据挖掘竞赛的网站 kaggle 上很火，相信参数调得好的话还是对结果能有帮助的。
http://blog.kaggle.com/2016/12/27/a-kagglers-guide-to-model-stacking-in-practice/
这篇文章很好地介绍了 stacking 的好处。在 kaggle 这种一点点提升就意味着名次不同的场合下，stacking 还是很有效的，但是对于一般商用，它所带来的提升就很难值回额外的复杂度了。）
多专家模型（Mixture of Experts）
最近这个模型还挺流行的，主要是用来合并神经网络的分类结果。我也不是很熟，对神经网络感兴趣，而且训练集异质性（heterogeneity）比较强的话可以研究一下这个。
讲到这里分类器其实基本说完了。讲一下问题里面其他一些名词吧。
最大熵模型 (Maximum entropy model)
最大熵模型本身不是分类器，它一般是用来判断模型预测结果的好坏的。
对于它来说，分类器预测是相当于是：针对样本，给每个类一个出现概率。比如说样本的特征是：性别男。我的分类器可能就给出了下面这样一个概率：高（60%），矮（40%）。
而如果这个样本真的是高的，那我们就得了一个分数 60%。最大熵模型的目标就是让这些分数的乘积尽量大。
LR 其实就是使用最大熵模型作为优化目标的一个算法 4。
EM
就像最大熵模型一样，EM 不是分类器，而是一个思路。很多算法都是基于这个思路实现的。
@刘奕驰 已经讲得很清楚了，我就不多说了。
隐马尔科夫 (Hidden Markov model)
这是一个基于序列的预测方法，核心思想就是通过上一个（或几个）状态预测下一个状态。
之所以叫 “隐” 马尔科夫是因为它的设定是状态本身我们是看不到的，我们只能根据状态生成的结果序列来学习可能的状态。
适用场景：
可以用于序列的预测，可以用来生成序列。
条件随机场 (Conditional random field)
典型的例子是 linear-chain CRF。
具体的使用 @Aron 有讲，我就不献丑了，因为我从来没用过这个。
就是这些啦。
相关的文章：
[1]: Do we need hundreds of classifiers to solve real world classification problems.
Fernández-Delgado, Manuel, et al. J. Mach. Learn. Res 15.1 (2014)
[2]: An empirical evaluation of supervised learning in high dimensions.
Rich Caruana, Nikos Karampatziakis, and Ainur Yessenalina. ICML '08
[3]: Man vs. Machine: Practical Adversarial Detection of Malicious Crowdsourcing Workers
Wang, G., Wang, T., Zheng, H., & Zhao, B. Y. Usenix Security'14
