隨著機(jī)器學(xué)習(xí)的進(jìn)一步火熱，越來越多的算法已經(jīng)可以用在許多任務(wù)的執(zhí)行上，并且表現(xiàn)出色。

但是動手之前到底哪個算法可以解決我們特定的實(shí)際問題并且運(yùn)行效果良好，這個答案很多新手是不知道的。如果你處理問題時間可以很長，你可以逐個調(diào)研并且嘗試它們，反之則要在最短的時間內(nèi)解決技術(shù)調(diào)研任務(wù)。
?

Michael Beyeler的一篇文章告訴我們整個技術(shù)選型過程，一步接著一步，依靠已知的技術(shù)，從模型選擇到超參數(shù)調(diào)整。

在Michael的文章里，他將技術(shù)選型分為6步，從第0步到第5步，事實(shí)上只有5步，第0步屬于技術(shù)選型預(yù)積累步驟。

第0步：了解基本知識

在我們深入之前，我們要明確我們了解了基礎(chǔ)知識。具體來說，我們應(yīng)該知道有三個主要的機(jī)器學(xué)習(xí)分類：監(jiān)督學(xué)習(xí)（supervised learning）、無監(jiān)督學(xué)習(xí)（unsupervised learning），以及強(qiáng)化學(xué)習(xí)（reinforcement learning）。

監(jiān)督學(xué)習(xí)：每個數(shù)據(jù)點(diǎn)被標(biāo)記或者與一個類別或者感興趣值相關(guān)聯(lián)。分類標(biāo)簽的一個例子是將圖像指定為“貓”或者“狗”。價值標(biāo)簽的一個例子是銷售價格與二手車相關(guān)聯(lián)。監(jiān)督學(xué)習(xí)的目標(biāo)是研究許多這樣的標(biāo)記示例，進(jìn)而能夠堆未來的數(shù)據(jù)點(diǎn)進(jìn)行預(yù)測，例如，確定新的照片與正確的動物（分類（classification））或者指定其他二手車的準(zhǔn)確銷售價格（回歸（regression））。

無監(jiān)督學(xué)習(xí)：數(shù)據(jù)點(diǎn)沒有標(biāo)簽對應(yīng)。相反，一個無監(jiān)督學(xué)習(xí)算法的目標(biāo)是以一些方式組織數(shù)據(jù)或者表述它的結(jié)構(gòu)。這意味著將其分組到集群內(nèi)部，或者尋找不同的方式查看復(fù)雜數(shù)據(jù)，使其看起來更簡單。

強(qiáng)化學(xué)習(xí)：對應(yīng)于每一個數(shù)據(jù)點(diǎn)，算法需要去選擇一個動作。這是一種常見的機(jī)器人方法，在一個時間點(diǎn)的傳感器讀數(shù)集合是一個數(shù)據(jù)點(diǎn)，算法必須選擇機(jī)器人的下一個動作。這也是很普通的物聯(lián)網(wǎng)應(yīng)用模式，學(xué)習(xí)算法接收一個回報信號后不久，反饋這個決定到底好不好。基于此，算法修改其策略為了達(dá)到更高的回報。

第1步：對問題進(jìn)行分類

下一步，我們要對手頭上的問題進(jìn)行分類。這是一個兩步步驟：

通過輸入分類：如果我們有標(biāo)簽數(shù)據(jù)，這是一個監(jiān)督學(xué)習(xí)問題。如果我們有無標(biāo)簽數(shù)據(jù)并且想要去發(fā)現(xiàn)結(jié)構(gòu)，這是一個無監(jiān)督學(xué)習(xí)問題。如果我們想要通過與環(huán)境交互優(yōu)化目標(biāo)函數(shù)，這是一個強(qiáng)化學(xué)習(xí)問題。

通過輸出分類：如果一個模型的輸出是一個數(shù)字，這是一個回歸問題。如果模型的輸出是一個類（或者分類），這是一個分類問題。如果模型的輸出是輸入組的集合，這是一個分類問題。

就是那么簡單。總而言之，我們可以通過問自己算法需要解決什么問題，進(jìn)而發(fā)現(xiàn)算法的正確分類。

上面這張圖包含了一些我們還沒有討論的技術(shù)術(shù)語：

分類（Classification）：當(dāng)數(shù)據(jù)被用來預(yù)測一個分類，監(jiān)督學(xué)習(xí)也被稱為分類。這是一個例子當(dāng)指定一張相作為“貓”或“狗”的圖片。當(dāng)只有兩種選擇時，稱為二類（two-class）或二項(xiàng)式分類（binomial
classification）。當(dāng)有更多類別的時候，當(dāng)我們預(yù)測下一個諾貝爾物理學(xué)獎得住，這個問題被稱為多項(xiàng)式分類（multi-class
classification）。

回歸（Regression）：當(dāng)一個值被預(yù)測時，與股票價格一樣，監(jiān)督學(xué)習(xí)也被稱為回歸。

聚類（Clustering）：非監(jiān)督學(xué)習(xí)最常用的方法是聚類分析或者聚類。聚類是一組對象組的任務(wù)，在這樣的一種方式下，在同一組中的對象（稱為集群）是更加相似的（在某一種意義上），相比其他組（集群）里的對象。

異常檢測（Anomaly
detection）：需要在目標(biāo)里找到不尋常的數(shù)據(jù)點(diǎn)。在欺詐檢測里，例如，任何非常不尋常的信用卡消費(fèi)模式都是可以的。可能的變化很多，而訓(xùn)練示例很少，這看起來不是一種可行方式了解欺詐活動。異常檢測需要的方法是簡單地了解什么是正常的活動（使用非欺詐交易歷史記錄），并且確定明顯不同的內(nèi)容。

第2步：找到可用的算法

現(xiàn)在我們有分類問題，我們可以使用工具去調(diào)研和驗(yàn)證算法是可行的和可實(shí)踐的。

Microsoft Azure已經(jīng)創(chuàng)建了一個方便的算法表格，這個表格顯示算法可以被用于哪些問題分類。雖然這個表格是針對Azure軟件，它一般適用于：

一些值得關(guān)注的算法是：

分類（Classification）：