蓝盟IT小贴士，来喽！
选择困难终结者：不同问题下的机器学习算法
刚开始学习数据科学的时候，笔者经常面临具体的问题，面临选择哪个算法合适的问题。 你也和我一样，可能会搜索很多关于机器学习算法的文章，看到很多详细的说明，但不能减少选择的难度。
言归正传。 笔者建议你充分理解一些监督和无监督机器学习算法的实现方法和数学的直观思考。 例如，如下所示。
线性回归
逻辑回归
决策树
朴素贝叶斯。
支持向量机。
随机森林。
AdaBoost (AdaBoost )
渐变树(GBT )
一种简单的神经网络
层次性聚类。
高斯混合模型
卷积神经网络
循环神经网络
推荐系统
在了解了一些机器学习任务的类型之后，可以根据问题陈述探索现实生活中最流行的算法及其应用。 读完本文后，试着解决这些问题吧！ 我相信你一定会受益的。
问题陈述1 :预测房价的推移。
解决这个问题的机器学习算法：随机森林和梯度提高等高级回归算法。
问题2 :深入客户的统计数据以识别模式。
解决这个问题的机器学习算法：聚类算法(肘定律)。
问题陈述3 :预测贷款偿还情况。
解决这个问题的机器学习算法：不平衡数据集分类算法。
问题陈述4 :根据皮肤病变的特征(大小、形状、颜色等)判断病变是良性还是恶性。
解决这个问题的机器学习算法：卷积神经网络(U-Net网络是用于分割的不二选择)。
问题句子5 :预测客户流失。
解决这个问题的机器学习算法：线性判别分析(LDA )或二次判别分析(QDA )。 因为LDA既是分类器也是降维技术，所以特别受欢迎。
问题句子6 :为员工招聘提供决策框架。
解决这个问题的机器学习算法：在这方面，决策树被称为“玩家”。
问题句子7 :理解和预测产品的热销属性。
解决这个问题的机器学习算法：逻辑回归或决策树。
问题陈述8 :分析市场情绪，评价市场对产品的认知。
解决这个问题的机器学习算法：朴素贝叶斯支持向量机(NBSVM算法)。
问题句子9 :创建分类系统，过滤垃圾邮件。
解决这个问题的机器学习算法：分类算法。 建议使用朴素贝叶斯、支持向量机、多层传感器神经网络(MLPNNs )和径向基函数神经网络(RBFNN )算法。
问题陈述10 :预测用户点击在线广告的可能性。
解决这个问题的机器学习算法：逻辑回归或支持向量机。
问题陈述11 :检测信用卡交易中的欺诈行为。
解决这个问题的机器学习算法：自适应提高、孤立森林或随机森林。问题陈述12 :根据车辆的特性估计车辆价格。
解决这个问题的机器学习算法：提高坡度是解决这个问题的最好选择。
问题陈述13 :预测患者加入医疗保险的概率。
解决这个问题的机器学习算法：简单神经网络。
问题句子14 :预测注册用户是否希望对某个产品支付一定的金额。
解决这个问题的机器学习算法：神经网络。
问题陈述15 :根据顾客的特征(例如年龄)进行分类。
解决这个问题的机器学习算法： k均值聚类算法。
问题陈述16 :从语音数据中提取特征用于语音识别系统。
解决这个问题的机器学习算法：高斯混合模型。
问题陈述17 :使用多目标跟踪、混合分量数量和平均值预测视频序列中目标的每帧位置。
解决这个问题的机器学习算法：高斯混合模型。
问题陈述18 :排列一组微阵列实验中的基因和样品，揭示生物学上有趣的模式。
解决这个问题的机器学习算法：层次聚类算法。
问题陈述19 :根据特征相似的其他用户的喜好，向用户推荐电影。
解决这个问题的机器学习算法：推荐系统。
问题陈述20 :根据用户阅读的文章，向用户推荐想阅读的新闻文章。
解决这个问题的机器学习算法：推荐系统。
问题陈述21 :优化自动驾驶车的驾驶行为。
解决这个问题的机器学习算法：强化学习。
问题陈述22 :通过医学扫描诊断健康疾病。
解决这个问题的机器学习算法：卷积神经网络。
问题陈述23 :平衡不同需求周期中的网格负荷。
文/上海蓝盟 IT外包专家
中文
电话咨询
微信咨询
公众号
