缺失值
- 使用可用特征的均值来填补缺失值
- 使用特殊值来填补缺失值，如-1
- 忽略有缺失值的样本
- 使用相似样本的均值添补缺失值
- 使用另外的机器学习算法预测缺失值。
k-近邻算法
-
优点：精度高、对异常值不敏感、无数据输入假定。
-
缺点：计算复杂度高、空间复杂度高。
-
适用数据范围：数值型和标称型。
k近邻算法的一般流程
- 收集数据：可以使用任何方法。
- 准备数据：距离计算所需要的数值，最好是结构化的数据格式。
- 分析数据：可以使用任何方法。
- 训练算法：此步骤不适用于k近邻算法。
- 测试算法：计算错误率。
- 使用算法：首先需要输入样本数据和结构化的输出结果，然后运行k近邻算法判定输入数据分别属于哪个分类，最后应用对计算出的分类执行后续的处理。
决策树
-
优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。
-
缺点：可能会产生过度匹配问题。
-
适用数据类型：数值型和标称型。
决策树的一般流程
- 收集数据：可以使用任何方法。
- 准备数据：树构造算法只适用于标称型数据，因此数值型数据必须离散化。
- 分析数据：可以使用任何方法，构造树完成之后，我们应该检查图形是否符合预期。
- 训练算法：构造树的数据结构。
- 测试算法：使用经验树计算错误率。
- 使用算法：此步骤可以适用于任何监督学习算法，而使用决策树可以更好地理解数据的内在含义。
朴素贝叶斯
-
优点：在数据较少的情况下仍然有效，可以处理多类别问题。
-
缺点：对于输入数据的准备方式较为敏感。
-
适用数据类型：标称型数据。
朴素贝叶斯的一般过程：
- 收集数据：可以使用任何方法。本章使用RSS源。
- 准备数据：需要数值型或者布尔型数据
- 分析数据：有大量特征时，绘制特征作用不大，此时使用直方图效果更好。
- 训练算法：计算不同的独立特征的条件概率。
- 测试算法：计算错误率。
- 使用算法：一个常见的朴素贝叶斯应用是文档分类。可以在任意的分类场景中使用朴素贝叶斯分类器，不一定非要是文本。
Logistic回归
-
优点：计算代价不高，易于理解和实现。
-
缺点：容易欠拟合，分类精度可能不高。
-
适用数据类型：数值型和标称型数据。
Logistic回归的一般过程
- 收集数据：采用任意方法收集数据。
- 准备数据：由于需要进行距离计算，因此要求数据类型为数值型。另外，结构化数据格式则最佳。
- 分析数据：采用任意方法对数据进行分析。
- 训练算法：大部分时间将用于训练，训练的目的是为了找到最佳的分类回归系数。
- 测试算法：一旦训练步骤完成，分类将会很快。
- 使用算法：首先，我们需要一些输入数据，并将其转换成对应的结构化数值；接着，基于训练好的回归系数就可以对这些数值进行简单的回归计算，判定它们属于哪个类别；在这之后，我们就可以在输出的类别上做一些其他分析工作。
支持向量机
-
优点：泛化错误率低，计算开销不大，结果易解释。
-
缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。
-
适用数据类型：数值型和标称型数据。
SVM的一般流程
- 收集数据：可以使用任意方法。
- 准备数据：需要数值型数据。
- 分析数据：有助于可视化分隔超平面。
- 训练算法：SVM的大部分时间都源自训练，该过程主要实现两个参数的调优。
- 测试算法：十分简单的计算过程就可以实现。
- 使用算法：几乎所有分类问题都可以使用SVM，值得一提的是，SVM本身是一个二类分类器，对多类问题应用SVM需要对代码做一些修改。
AdaBoost
-
优点：泛化错误率低，易编码，可以应用在大部分分类器上，无参数调整
-
缺点：对离群点敏感。
-
适用数据类型：数值型和标称型数据。
AdaBoost的一般流程
- 收集数据：可以使用任意方法。
- 准备数据：依赖于所使用的弱分类器类型，本章使用的是单层决策树，这种分类器可以处理任何数据类型。当然也可以使用任意分类器作为弱分类器。作为弱分类器，简单分类器的效果更好。
- 分析数据：可以使用任意方法。
- 训练算法：AdaBoost的大部分时间都用在训练上，分类器将多次在同一数据集上训练弱分类器。
- 测试算法：计算分类的错误率。
- 使用算法：同SVM一样，AdaBoost预测两个类别中的一个。如果想把它应用到多个类别的场合，那么就要像多类SVM中的做法一样对AdaBoost进行修改。
线性回归
-
优点：结果易于理解，计算上不复杂。
-
缺点：对非线性的数据拟合不好。
-
适用数据类型：数值型和标称型数据。
回归的一般方法 收集数据：采用任意方法收集数据。
- 准备数据：回归需要数值型数据，标称型数据将被转成二值型数据。
- 分析数据：绘出数据的可视化二维图将有助于对数据做出理解和分析，在采用缩减法求得新回归系数之后，可以将新拟合线绘在图上作为对比。
- 训练算法：找到回归系数。
- 测试算法：使用R2或者预测值和数据的拟合度，来分析模型的效果。
- 使用算法：使用回归，可以在给定输入的时候预测出一个数值，这是对分类方法的提升，因为这样可以预测连续型数据而不仅仅是离散的类别标签。
树回归
-
优点：可以对复杂和非线性的数据建模
-
缺点：结果不易理解
-
适用数据类型：数值型和标称型数据
树回归的一般方法
- 收集数据：采用任意方法收集数据。
- 准备数据：需要数值型的数据，标称型数据应该映射成二值型数据。
- 分析数据：绘出数据的二维可视化显示结果，以字典方式生成树。
- 训练算法：大部分时间都花费在叶节点树模型的构建上。
- 测试算法：使用测试数据上的R2值来分析模型的效果。
- 使用算法：使用训练出的树做预测，预测结果还可以用来做很多事情
k均值聚类
-
优点：容易实现。
-
缺点：可能收敛到局部最小值，在大规模数据集上收敛较慢。
-
适用数据类型：数值型数据。
K均值聚类的一般流程
- 收集数据：使用任意方法。
- 准备数据：需要数值型数据来计算距离，也可以将标称型数据映射为二值型数据再用于距离计算。
- 分析数据：使用任意方法。 训练算法：不适用于无监督学习，即无监督学习没有训练过程。
- 测试算法：应用聚类算法、观察结果。可以使用量化的误差指标如误差平方和（后面会介绍）来评价算法的结果。
- 使用算法：可以用于所希望的任何应用。通常情况下，簇质心可以代表整个簇的数据来做出决策。
Apriori算法
-
优点：易编码实现
-
缺点：在大数据集上可能较慢
-
适用数据类型：数值型或者标称型数据
Apriori算法的一般过程
- 收集数据：使用任意方法。
- 准备数据：任何数据类型都可以，因为我们只保存集合。
- 分析数据：使用任意方法。
- 训练算法：使用Apriori算法来找到频繁项集。
- 测试算法：不需要测试过程。
- 使用算法：用于发现频繁项集以及物品之间的关联规则。
FP-growth算法
-
优点：一般要快于Apriori
-
缺点：实现比较困难，在某些数据集上性能会下降
-
适用数据类型：标称型数据
FP-growth的一般流程
- 收集数据：使用任意方法。
- 准备数据：由于存储的是集合，所以需要离散数据。如果要处理连续数据，需要将它们量化为离散值。
- 分析数据：使用任意方法。
- 训练算法：构建一个FP树，并对树进行挖据。
- 测试算法：没有测试过程。
- 使用算法：可用于识别经常出现的元素项，从而用于制定决策、推荐元素或进行预测等应用中。
PCA 主成分分析
-
优点：降低数据的复杂性，识别最重要的多个特征。
-
缺点：不一定需要，且可能损失有用信息。
-
适用数据类型：数值型数据。
奇异值分解（Singular Value Decomposition，SVD）。
-
优点：简化数据，去除噪声，提高算法的结果。
-
缺点：数据的转换可能难以理解。
-
适用数据类型：数值型数据。
MapReduce：分布式计算的框架
-
优点：可在短时间内完成大量工作。
-
缺点：算法必须经过重写，需要对系统工程有一定的理解。
-
适用数据类型：数值型和标称型数据。
在MapReduce框架上使用SVM的一般方法
- 收集数据：数据按文本格式存放。
- 准备数据：输入数据已经是可用的格式，所以不需任何准备工作。如果你需要解析一个大规模的数据集，建议使用map作业来完成，从而达到并行处理的目的。
- 分析数据：无。
- 训练算法：与普通的SVM一样，在分类器训练上仍需花费大量的时间。
- 测试算法：在二维空间上可视化之后，观察超平面，判断算法是否有效。
- 使用算法：本例不会展示一个完整的应用，但会展示如何在大数据集上训练SVM。该算法其中一个应用场景就是文本分类，通常在文本分类里可能有大量的文档和成千上万的特征。
[美]Peter Harrington. 机器学习实战 (图灵程序设计丛书 72)
网友评论