阅读191 返回首页    go 阿里云 go 技术社区[云栖]

机器学习常用算法

1.文本分类
2.疾病预测
3.检测SNS社区中不真实账号
4.垃圾邮件过滤
1.金融行业用决策树做贷款风险评估
2.保险行业用决策树做推广预测
3.医疗行业用决策树生成辅助诊断处置模型
4.用户分级评估
5.分析对某种响应可能性影响最大的因素，比如判断具有什么特征的客户流失概率更高
6.为其他模型筛选变量。决策数找到的变量是对目标变量影响很大的变量。所以可以作为筛选变量的手段。
模式识别领域中的文本识别,中文分类,人脸识别等；
工程技术和信息过滤
商业：刻画不同的客户群特征；细分市场；
生物：基因分类
保险：保险单持有者分组
电子商务：相似浏览行为客户聚类
LinearRegression，Ridge Regression，RidgeCV，Lasso Regression
，lasticNet，		 1.机场客流量预测
2.网约车出行流量与测
3.股价走势预测
4.中国人口增长预测
它将数据拟合到一个 1.预测某一种情况出现的概率
2.二分类
3.多分类		 逻辑回归相对来说模型更简单，好理解，实现起来，特别是大规模线性分类时比较方便；
同样的线性分类情况下，如果异常点较多的话，无法剔除，首先LR，LR中每个样本都是有贡献的，最大似然后会自动压制异常的贡献
(1)可以充分逼近任意复杂的非线性关系；
(2)所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性；
(3)采用并行分布处理方法，使得快速进行大量运算成为可能；
(4)可学习和自适应不知道或不确定的系统； 		 神经网络的应用非常多：
1.OCR
2.销售量的非线性预测
3.计算机智能控制
4.图像的处理
5.优化算法方面等等语音搜索
6.文本到语音
7.垃圾邮件筛选（异常情况探测）
8.欺诈探测
9.推荐系统（客户关系管理、广告技术、避免用户流失
(1)需要大量数据进行训练
(2)训练要求很高的硬件配置
(3)模型处于「黑箱状态」，难以理解内部机制
(4)元参数（Metaparameter）与网络拓扑选择困难。		 1.语音识别
2.图像识别
3.人脸识别
4.行人检测
5.人体行为检测
3.推荐系统
4.自然语言处理
5.智能客服
随机森林对多元公线性不敏感，结果对缺失数据和非平衡的数据比较稳健，可以很好地预测多达几千个解释变量的作用；
a. 在数据集上表现良好，两个随机性的引入，使得随机森林不容易陷入过拟合
b. 在当前的很多数据集上，相对其他算法有着很大的优势，两个随机性的引入，使得随机森林具有很好的抗噪声能力
c. 它能够处理很高维度（feature很多）的数据，并且不用做特征选择，对数据集的适应能力强：既能处理离散型数据，也能处理连续型数据，数据集无需规范化
d. 可生成一个Proximities=（pij）矩阵，用于度量样本之间的相似性： pij=aij/N, aij表示样本i和j出现在随机森林中同一个叶子结点的次数，N随机森林中树的颗数
e. 在创建随机森林的时候，对generlization error使用的是无偏估计
f. 训练速度快，可以得到变量重要性排序（两种：基于OOB误分率的增加量和基于分裂时的GINI下降量
g. 在训练过程中，能够检测到feature间的互相影响
h. 容易做成并行化方法
i. 实现比较简单
1）用于二分类或多分类的应用场景

2）用于做分类任务的baseline--无脑化，简单，不会overfitting，不用调分类器

3）用于特征选择（feature selection)

4）Boosting框架用于对badcase的修正--只需要增加新的分类器，不需要变动原有分类器
优点：
1.简单，易于理解，易于实现，无需估计参数，无需训练；
2. 适合对稀有事件进行分类；
3.特别适合于多分类问题(multi-modal,对象具有多个类别标签)， kNN比SVM的表现要好。
缺点：
1.样本不平衡时，抗造能力差
2.计算量大		 1.约会网站的数据分类
2.手写数字识别

最后更新：2017-07-19 15:32:24

  上一篇：go  一份靠谱的数据分析报告都有什么套路？
  下一篇：go  为何企业无法从数据科学中真正获得价值？