Въведение
Машинното обучение е мощен инструмент, който може да се използва за решаване на широк кръг от проблеми. Въпреки това, с толкова много различни модели, от които да избирате, може да бъде предизвикателство да разберете кой е подходящ за вашия проект. В това ръководство ще ви преведем през процес стъпка по стъпка, за да ви помогнем да изберете най-добрия модел на машинно обучение за вашите нужди.
Стъпка 1: Определете проблема, който искате да решите
Първата стъпка е да идентифицирате проблема, който искате да разрешите. Дали това е проблем с регресия, класификация или групиране? Това ще ви помогне да стесните възможностите си и да определите кой тип модел да изберете.
Какъв тип проблем се опитвате да разрешите?
- Проблем с класификацията:логистична регресия, класификатор на дърво на решенията, класификатор на произволна гора, опорна векторна машина (SVM), наивен класификатор на Бейс или невронна мрежа.
- Проблем с групирането: k-означава групиране, йерархично групиране или DBSCAN.
Стъпка 2: Помислете за размера на вашия набор от данни
Размерът на вашия набор от данни също може да повлияе на избора ви на модел. Ако имате малък набор от данни, може да искате да изберете модел, който е по-малко сложен, като например линейна регресия. За по-големи набори от данни може да са подходящи по-сложни модели като произволни гори или дълбоко обучение.
Какъв е размерът на вашия набор от данни?
- Голям набор от данни (хиляди до милиони редове):усилване на градиента, невронни мрежи или модели за дълбоко обучение.
- Малък набор от данни (по-малко от хиляда реда): логистична регресия, дърво на решенията или наивен Бейс.
Стъпка 3: Определете дали имате етикетирани или немаркирани данни
Маркираните данни имат предварително определен резултат, докато немаркираните данни нямат. Ако сте етикетирали данни, можете да използвате алгоритми за контролирано обучение, като логистична регресия или дървета на решения. Немаркираните данни, от друга страна, изискват неконтролирани алгоритми за обучение, като клъстериране на K-средства или анализ на главните компоненти (PCA).
Имате ли етикетирани или немаркирани данни?
- Означени данни: контролирани модели на обучение като логистична регресия, дървета на решенията, SVM или невронни мрежи.
- Неозначени данни: модели на обучение без надзор, като k-средно групиране, йерархично групиране или DBSCAN.
Стъпка 4: Обмислете естеството на вашите функции
Естеството на вашите характеристики също може да определи кой модел да изберете. Ако характеристиките ви са категорични, може да искате да използвате дървета на решенията или наивен Bayes. За числени характеристики линейната регресия или опорните векторни машини (SVM) може да са по-подходящи.
Какво е естеството на функциите във вашия набор от данни?
- Категорични характеристики: дървета на решенията, произволна гора, наивен Бейс.
- Числени характеристики: линейна регресия, логистична регресия, SVM, невронна мрежа, групиране на k-средни стойности.
- Смесени функции: дървета на решенията, произволна гора, SVM, невронна мрежа.
Стъпка 5: Решете дали интерпретируемостта или точността са по-важни
Някои модели на машинно обучение са по-интерпретируеми от други. Ако трябва да тълкувате резултатите от вашия модел, може да искате да изберете модели като дървета на решенията или логистична регресия. Ако точността е по-критична, по-сложни модели като произволни гори или дълбоко обучение може да са по-подходящи.
Трябва ли да интерпретирате резултатите от вашия модел, или точността е най-важният фактор?
- Интерпретируемостта е важна: дървета на решенията, наивен Бейс, логистична регресия.
- Точността е по-важна: невронна мрежа, произволна гора, SVM, k-означава групиране.
Стъпка 6: Отчитане на небалансираните класове
Ако имате работа с небалансирани класове, може да искате да използвате модели като произволни гори, SVM или невронни мрежи, за да разрешите този проблем.
Имате ли работа с небалансирани класове?
- Да: SVM, произволна гора, невронна мрежа, наивен Bayes.
- Не: логистична регресия, дървета на решенията, k-средни клъстери.
Стъпка 7: Адресирайте липсващите стойности във вашите данни
Ако имате липсващи стойности във вашия набор от данни, може да помислите за техники за импутация или модели, които могат да обработват липсващи стойности, като K-най-близки съседи (KNN) или дървета на решения.
Трябва ли да обработвате липсващи стойности?
- Да: дървета на решенията, произволна гора, k-означава групиране.
- Не: линейна регресия, логистична регресия, SVM, невронна мрежа.
Стъпка 8: Обмислете сложността на вашите данни
Ако подозирате, че може да има нелинейни връзки между вашите променливи, може да искате да използвате по-сложни модели като невронни мрежи или SVM.
Колко сложни са вашите данни? Подозирате ли, че може да има нелинейни връзки между променливите?
- Ниска сложност: линейна регресия, логистична регресия.
- Умерена сложност: дървета на решенията, произволна гора, наивен Бейс, k-средно групиране.
- Висока сложност: невронна мрежа, SVM.
Стъпка 9: Балансирайте скоростта и точността
Помислете за компромиса между скорост и точност за вашия случай на употреба. По-сложните модели могат да бъдат по-бавни, но също така могат да осигурят по-висока точност.
Какъв е компромисът между скорост и точност за вашия случай на употреба?
- Скоростта е по-важна: дървета на решенията, наивен Бейс, логистична регресия, k-средни клъстери.
- Точността е по-важна: невронна мрежа, произволна гора, SVM.
Стъпка 10: Справете се с високоразмерни данни и шум
Ако имате работа с високоразмерни данни или данни с шум, може да искате да използвате техники за намаляване на размерността като PCA или модели, които могат да се справят с шум, като KNN или дървета на решения.
Работите ли с данни с големи размери?
- Да: невронна мрежа, SVM, k-означава групиране.
- Не:дървета на решенията, произволна гора, логистична регресия.
Какво е нивото на шум във вашите данни?
- Нисък шум: линейна регресия, логистична регресия.
- Умерен шум: дървета на решенията, произволна гора, k-означава клъстериране.
- Висок шум: невронна мрежа, SVM.
Стъпка 11: Изберете модел, който може да прави прогнози в реално време
Ако имате нужда от модел, който може да прави прогнози в реално време, може да искате да изберете модели като дървета на решенията или SVM.
Търсите ли модел, който може да прави прогнози в реално време?
- Да: SVM, k-означава групиране.
- Не: невронна мрежа, произволна гора, дървета на решения.
Стъпка 12: Адресирайте извънредните стойности
Ако вашите данни имат извънредни стойности, може да искате да използвате стабилни модели като SVM или произволни гори.
Колко чувствителен е вашият модел към отклонения?
- Чувствителен: линейна регресия, логистична регресия.
- Силен: дървета на решенията, произволна гора, SVM.
Стъпка 13: Обмислете модели за последователни данни
Ако работите с последователни данни, като времеви редове или естествен език, може да искате да използвате модели като повтарящи се невронни мрежи (RNN) или мрежи с дълга краткосрочна памет (LSTM).
Търсите ли модел, който може да обработва последователни данни, като времеви редове или естествен език?
- Да: повтаряща се невронна мрежа, LSTM или трансформатор.
- Не: могат да се използват други модели.
Стъпка 14: Определете желаното ниво на интерпретируемост
И накрая, помислете за желаното ниво на интерпретируемост. Ако трябва да разберете как вашият модел прави своите прогнози, може да искате да изберете по-интерпретируем модел, като например дървета на решенията или логистична регресия. От друга страна, ако точността е вашият основен приоритет и не е нужно да разбирате как моделът прави своите прогнози, можете да изберете по-малко интерпретируем модел, като например невронни мрежи.
Какво е желаното ниво на интерпретируемост за вашия модел?
- Висока интерпретируемост: дървета на решенията, наивен Бейс, логистична регресия.
- Ниска интерпретируемост: невронна мрежа, SVM, k-означава групиране.
Заключение
Изборът на правилния модел на машинно обучение може да бъде предизвикателна задача, но като разберете конкретния си проблем, оцените данните си, вземете под внимание сложността на данните си, оцените компромиса между скорост и точност и вземете предвид интерпретируемостта на вашите резултати, можете вземете информирано решение и изберете най-подходящия алгоритъм за вашите нужди. Като следвате тези указания, можете да гарантирате, че вашият модел на машинно обучение е подходящ за вашия конкретен случай на употреба и може да ви предостави прозренията и прогнозите, от които се нуждаете.
