共计 1847 个字符，预计需要花费 5 分钟才能阅读完成。
机器学习能够用来解决宽泛的问题。然而有很多多不同的模型能够抉择，要晓得哪一个适宜是一个十分麻烦的事件。本文的总结将帮忙你抉择最适宜需要的机器学习模型。
1、确定想要解决的问题
第一步是确定想要解决的问题：要解决的是一个回归、分类还是聚类问题? 这能够放大抉择范畴，并决定抉择哪种类型的模型。
你想解决什么类型的问题?
分类问题: 逻辑回归、决策树分类器、随机森林分类器、反对向量机(SVM)、奢侈贝叶斯分类器或神经网络。
聚类问题: k-means 聚类、档次聚类或 DBSCAN。
2、思考数据集的大小和性质
a)数据集的大小
如果你有一个小的数据集，就要抉择一个不那么简单的模型，比方线性回归。对于更大的数据集，更简单的模型，如随机森林或深度学习可能是适合的。
数据集的大小怎么判断：
大型数据集(数千到数百万行): 梯度晋升、神经网络或深度学习模型。
小数据集(小于 1000 行): 逻辑回归、决策树或奢侈贝叶斯。
b)数据标记
数据有预先确定的后果，而未标记数据则没有。如果是标记数据，那么个别都是应用监督学习算法，如逻辑回归或决策树。而未标记的数据须要无监督学习算法，如 k -means 或主成分剖析(PCA)。
c)个性的性质
如果你的特色是分类类型的，你可能须要应用决策树或奢侈贝叶斯。对于数值特色，线性回归或反对向量机 (SVM) 可能更适合。
分类特色: 决策树，随机森林，奢侈贝叶斯。
数值特色: 线性回归，逻辑回归，反对向量机，神经网络，k-means 聚类。
混合特色: 决策树，随机森林，反对向量机，神经网络。
d）程序数据
如果解决的是程序数据，例如工夫序列或自然语言，则可能须要应用循环神经网络 (rnn) 或长短期记忆(LSTM)，transformer 等
e) 缺失值
缺失值很多能够应用: 决策树，随机森林，k-means 聚类。缺失值不对的话能够思考线性回归，逻辑回归，反对向量机，神经网络。
3、解释性和准确性哪个更重要
一些机器学习模型比其余模型更容易解释。如果须要解释模型的后果，能够抉择决策树或逻辑回归等模型。如果准确性更要害，那么更简单的模型，如随机森林或深度学习可能更适宜。
4、不均衡的类别
如果你正在解决不均衡类，你可能想要应用随机森林、反对向量机或神经网络等模型来解决这个问题。
解决数据中缺失的值
如果您的数据集中有缺失值，您可能须要思考能够解决缺失值的 imputation 技术或模型，例如 K -nearest neighbors (KNN)或决策树。
5、数据的复杂性
如果变量之间可能存在非线性关系，则须要应用更简单的模型，如神经网络或反对向量机。
低复杂度: 线性回归，逻辑回归。
中等复杂度: 决策树、随机森林、奢侈贝叶斯。
复杂度高: 神经网络，反对向量机。
6、均衡速度和准确度
如果要思考速度和准确性之间的衡量，更简单的模型可能会更慢，但它们也可能提供更高的精度。
速度更重要: 决策树、奢侈贝叶斯、逻辑回归、k- 均值聚类。
精度更重要: 神经网络，随机森林，反对向量机。
7、高维数据和噪声
如果要解决高维数据或有噪声的数据，可能须要应用降维技术 (如 PCA) 或能够解决噪声的模型(如 KNN 或决策树)。
低噪声: 线性回归，逻辑回归。
适度噪声: 决策树，随机森林，k- 均值聚类。
高噪声: 神经网络，反对向量机。
8、实时预测
如果须要实时预测，则须要抉择决策树或反对向量机这样的模型。
9、解决离群值
如果数据有异样值很多，能够抉择像 svm 或随机森林这样的强壮模型。
对离群值敏感的模型: 线性回归、逻辑回归。
鲁棒性高的模型: 决策树，随机森林，反对向量机。
10、部署难度
模型的最终目标就是为了上线部署，所以对于部署难度是最初思考的因素：
一些简略的模型，如线性回归、逻辑回归、决策树等，能够绝对容易地部署在生产环境中，因为它们具备较小的模型大小、低复杂度和低计算开销。在大规模、高维度、非线性等简单数据集上，这些模型的性能可能会受到限制，须要更高级的模型，如神经网络、反对向量机等。例如，在图像和语音辨认等畛域中，数据集可能须要进行大量的解决和预处理，这会减少模型的部署难度。
总结
抉择正确的机器学习模型可能是一项具备挑战性的工作，须要依据具体问题、数据、速度可解释性，部署等都须要做出衡量，并依据需要抉择最合适的算法。通过遵循这些领导准则，您能够确保您的机器学习模型非常适合您的特定用例，并能够为您提供所需的见解和预测。
https://avoid.overfit.cn/post/dee6ac1aae804fc1b40c849412076d0c
作者：Steffen Anderson
