|
机器学习模型的种类繁多，应用广泛，如下列举一些常用模型： 1、线性模型 - 逻辑回归（Logistic Regression）
2、基于树的模型 3、神经网络模型 深度神经网络（Deep Neural Network, DNN） 卷积神经网络（Convolutional Neural Network, CNN） 循环神经网络（Recurrent Neural Network, RNN） Transformer GAN diffusion model
4、支持向量机 5、近邻模型 6、概率图模型 7、集成学习模型 8、聚类模型 9、降维模型 10、其他模型 线性判别分析（Linear Discriminant Analysis, LDA） 关联规则学习（Association Rule Learning） 矩阵分解（Matrix Factorization） 协同过滤（Collaborative Filtering）
在众多机器学习模型中，我们如何在各种实际情况下做出恰当的选择呢？本文我从如下几个方面系统地分析下~ 有帮助的话点个赞哦。 1. 场景的角度a. 图像识别 - 原因：CNN能够自动从原始图像中提取有效的特征表示，适用于处理复杂的图像数据。其层次化的结构可以捕捉图像中的局部到全局的信息，对于图像识别任务具有很高的准确度。
b. 自然语言处理 - 适用模型：循环神经网络（RNN）、Transformer（如BERT、GPT等）
- 原因：RNN可以处理序列数据，捕捉文本中的上下文信息。而Transformer模型通过自注意力机制，能够同时考虑文本中的前后文信息，对于长文本和复杂任务有更好的性能。
c. 推荐系统 - 适用模型：协同过滤、基于内容的推荐、深度学习推荐模型
- 原因：协同过滤基于用户或物品之间的相似性进行推荐，简单有效。基于内容的推荐则根据用户的历史行为和兴趣进行推荐。深度学习推荐模型能够自动学习用户和物品之间的复杂关系，提供更个性化的推荐。
d. 表格数据的任务 适用模型:自然语言及图像识别上面深度学习无疑是王者，但在表格类异构数据上，xgboost等集成学习树模型才是实打实的神器。大量实验表明基于树的模型在中型表格数据集上仍然是 SOTA。 对于这一结论，下文给出了确凿的证据，在表格数据上，使用基于树的方法比深度学习（甚至是现代架构）更容易实现良好的预测，研究者并探明了其中的原因。
论文地址：https://hal.archives-ouvertes.fr/hal-03723551/document
2. 可解释性的角度- 决策树生成的规则易于理解，可以直观地展示决策过程。
- 线性模型通过系数可以清晰地展示每个特征对预测结果的影响。
- 深度学习模型虽然解释性相对较弱，但可以通过一些技术（如特征重要性评估、注意力机制等）来提高其解释性。
3. 预测标签- 分类问题：逻辑回归、支持向量机（SVM）、集成学习、神经网络
- 根据问题的复杂性和数据的规模选择合适的模型。例如，对于线性可分的问题，逻辑回归可能是一个好的选择；对于非线性问题，神经网络可能更有优势。
- 回归问题：线性回归、岭回归、支持向量回归（SVR）、集成学习、神经网络
- 这些模型适用于预测连续值的任务，根据数据的特征和问题的需求选择合适的模型。
- 这些模型适用于无标签的聚类、降维、表示学习等任务；
4. 数据规模与特征情况- 小数据集：决策树、朴素贝叶斯、支持向量机（SVM）
- 深度学习模型能够处理大规模的数据，并通过复杂的网络结构捕捉数据中的细微差异。随机森林也能够处理大数据集，并且具有较好的鲁棒性。
- 特征数量与类型：根据特征的数量和类型选择合适的模型。例如，对于高维稀疏数据，可以选择使用稀疏模型如稀疏线性模型、支持向量机等。
- 在线学习：值得一提的事，如果业务数据变化等情况，有在线学习迭代模型的需求，选择深度学习模型是一个不错的选择。
5. 计算资源及时间- 资源有限：选择计算效率较高的模型，如线性模型、决策树等。
- 资源丰富：对于复杂的任务，可以选择深度学习模型，虽然训练时间较长但性能更优。
6. 模型效度很多时候模型效度需要实际验证的时候才知道优劣，通常情况下那个模型效度好，才是最终决定我们选择那种模型，或者考虑所有模型一起上（模型融合）。 模型融合：是一种结合多个模型的预测结果以生成更强大、更准确的预测结果的策略。它通过将多个弱模型（基模型）的预测结果整合，以降低误差并提高模型的泛化能力。常见的模型融合方法，如Bagging、Stacking与Boosting。 常用的效度评估指标如下： - 回归评估指标：均方误差（MSE）、均方根误差（RMSE）、R平方等。
| 
