机器学习算法：哪个算法出问题？

Question

我是机器学习领域的新手，我注意到可以使用很多算法/算法集：SVM，决策树，朴素贝叶斯，感知器等...... 这就是为什么我想知道应该使用哪种算法来解决哪个问题？换句话说，哪种算法解决了哪个问题类？

所以我的问题是，如果你知道一个关注这个算法选择有问题的好网站或书吗？

任何帮助将不胜感激。 Thx提前。

贺

Answer 1

选择Andrew Ng's machine learning course on coursera。它精美地组合在一起，解释了不同类型的ML算法之间的差异，提供了何时使用每种算法的建议，并且包含对于实践者以及数学有用的材料（如果您需要）。我自己正在学习机器学习，这是迄今为止最有用的资源。

（你可能会觉得有用的另一条建议是考虑学习python。这是基于我在早期阶段没有开始学习python并排除许多书籍，网页，sdks等的错误。事实证明，python非常容易上手，至少从我自己的个人观察来看，广泛用于机器学习和数据科学社区。）

Answer 2

scikit-learn.org发布了这个信息图，即使您没有使用sklearn库，也会有所帮助。

Answer 3

很难回答“问题哪个算法的问题？”

这种能力带来了大量的经验和知识。所以我建议，你应该阅读一些关于机器学习的好书。可能，下一本书将是一个很好的起点。

Machine Learning: A Probabilistic Perspective

一旦掌握了有关机器学习的知识，就可以解决几个简单的机器学习问题。 Iris flower dataset是一个很好的起点。它由属于三种虹膜物种的几种特征组成。最初开发一个简单的机器学习模型（如Logistic回归）来对Iris物种进行分类，逐渐地你可以转向更高级的模型，如Neural Networks。

Answer 4

@TooTone：在我看来，机器学习在行动可以帮助OP决定使用哪种技术来解决特定问题，因为本书给出了不同ML算法的明确分类以及优点，缺点和“与之合作” “对于他们每个人。我同意代码有点难以阅读，特别是对于那些不习惯矩阵操作的人。有多年的研究浓缩成10行Python程序，所以要做好准备，理解它需要一天（对我来说至少）。

Answer 5

作为一个简单的起点，我会考虑我的输入和我想要的输出，这通常会缩小任何情况下的选择。例如，如果我有每个输入的类别，而不是数字和目标类别，则决策树是个好主意。如果我没有目标，我只能进行聚类。如果我有数字输入和数字输出，我可以使用神经网络或其他类型的回归。我还可以使用生成回归方程的决策树。在此之后还有其他问题需要提出，但这是一个很好的起点。

Answer 6

以下DZone Refcard也可能有用.. http://refcardz.dzone.com/refcardz/machine-learning-predictive。但是你最终必须深入研究每个细节。