着“机器学习”这几个字天天霸占新闻头条，热爱学习的你，也上网搜索了一下“机器学习模型”，5分钟后就被各种术语吓坏了。想入门，不如先熟悉下面的这几个算法，这些算法能解决数据科学中的很多问题。

监督学习 vs 非监督学习
基本上，所有的机器学习问题都可以分为监督学习和非监督学习。
在监督学习中，算法会获得一个数据库作为输入，我们也知道正确的输出该是什么样子。回归分析和分类问题都属于监督学习。
在非监督学习来中，我们也不知道正确的输出该是什么样子，而是从数据中寻找结构。聚类算法是非监督学习的代表。
下面我们来看几个真实的例子。

例子1
假设你是个地产商。你有以往售出楼房的数据－－总面积、有几间卧室等等——以及它们的售价。你拿到一幢新房的时候，就能根据手头的数据，预测新房的售价。这是一个监督学习问题，更具体来说，是一个回归问题。

例子2
假设你是一个医生。你有很多人的健康数据——各项生理指标、遗传因素、以及他们是非患有某一种疾病的测试结果。测试结果可以用二进制表示为：1代表患有疾病，0代表未患有疾病。当你遇到一个新的测试者，输入他的数据，你就能预测他是否患有疾病。因为输出的形式是已知的（1或者0），这也是监督学习，更具体来说，是分类问题。

例子3
假设你是一个市场经理。你有一些客户的资料——客户年龄、购买产品、购买金额等——你希望找出哪些客户属于相近的群体，可能给他们一些特殊优惠。以上的客户资料可以作为算法的输入，不过你不知道输出会是什么样的，因此这是非监督学习。

现在，我们来看看更具体的算法。

回归
回归不只是一种监督学习技术，而是一个包含很多中技术的重要大类。其中心要素是，我们能根据一些输入变量，预测目标变量。回归中最常见的就是线性回归和逻辑回归。

线性回归
输入变量和目标变量的关系是一条直线。例如，我们有两个输入变量 X1 和 X2，目标变量为 Y，其关系的数学表达为：
Y = a x X1 + b x X2 + c
如果已知 X1 和 X2 的值，我们可以调整 a、b 和 c 的值，让 Y 值与实际结果尽可能接近。

举个例子。鸢尾花数据库统计了不同类型的花中，花瓣与花萼的大小。我们可以使用 R 软件实现一个线性分析，基于花瓣的长 (PetalLength) 和宽 (PetalWidth)，预测花萼的大小 (SepalLength)。

SepalLength = a x PetalWidth + b x PetalLength + c

对应的代码如下：

线性回归的结构如下图所示。图中的点代表原始数据，蓝线代表最适合的回归线，a = -0.31955，b ＝ 0.54178，c = 4.19058。现在，我们能根据新的花瓣长、宽信息，预测花萼的大小了。

逻辑回归
逻辑回归的大意与线性回归类似，不同的是，逻辑回归不是一条直线。
逻辑回归的数学表达如下：
Y ＝ g(a x X1 + b x X2)
其中 g( ) 是一个逻辑方程。
由于逻辑函数的特性，Y 是［0，1］之间的一个连续值，可以看成是一个事件发生的可能性。
举个例子。我们有一个汽车的数据库，包括汽油消耗量、汽车设计的各项参数以及32个汽车型号的表现性能。如果已知一辆汽车的 V/S 和耗油量（mpg），我们能预测这辆车是自动变速（am = 0）还是手动变速（am = 1）的可能性：
am = g( a x mpg + b x vs + c)
所需代码如下：

结果显示住以下图表中。其中，点代表原始数据，蓝色线代表最适合的逻辑回归线， a = 0.5359，b ＝ －2.7957, c = －9.9183。
如图所示，逻辑回归的输出只在[0,1］的范围内。

决策树
决策树分为回归和分类两种，可以用在监督学习问题中。
决策树模拟人们做决定的过程，因此非常符合直觉，可以见下图：

基于这样的一个决策树，算法可以决定按照哪一条路走下去。
来一个例子：我们使用 readingSkills 数据库，包括学生的信息以及他们的成绩。我们可以基于多项信息——包括测试成绩、年龄、甚至学生的鞋子尺码等——我们把学生分类为母语（nativeSpeaker = 1)和非母语(nativeSpeaker = 0)。
要用 R 完成这项预测，我们得先安装 party 安装包。

如下所示，第一个分岔标准是测试成绩，因为这与要预测的目标变量非常相关；而鞋子尺码根本就没被考虑过，因为这对预测语言能力毫无帮助。

聚类算法
现在，我们来看看属于非监督学习方法之一的聚类算法。
如果我们有一些初始数据，我们可以把它们分组，每一组的数据都会与其他组不同。我们要学习的算法叫做“k-平均”算法，是最常见的聚类方法之一。
我们再使用之前用过的鸢尾花数据库，将其中的信息制成下图：

x 轴是花瓣长度，y 轴是花瓣宽度。

依据花瓣的数据，我们将数据分为三组，也就是说此处 k = 3。
总体来说，k-平均算法的过程包含以下几步：
1. 初始步骤：在 k = 3 的情况下，算法随机选择3个点，作为每一个组的中心点；
2. 聚类分组：算法会一个个处理数据点，将每一个点分配到最近的组；
3. 移动中心点：分配分组后，每一个组的中心点移动到组内所有点到平均值。

第2、3步会一直重复，直到分组情况不再有变化。用 R 实现很简单，以下是所需的代码：

我们可以看到数据基于花瓣的大小分为了三组。

要注意的是，在任何聚类问题中，要解读分组的意义需要具备这个领域内的专业知识。如果你不懂植物学，你可能不会发现算法把花分成了三个类别：Setosa、Versicolor 和 Virginica。
我们可以根据花的类别再进行一次分组，可以看到非常相似：

算法

总结
我们讨论了回归（线性和逻辑）、决策树和 k-平均聚类。每一种算法都有哪些优点？遇到问题的时候该选择哪一种？
首先，如果选对了适合的问题，这些算法可以很强大。
其次，你得知道你想要的是什么，是计算强度、计算时间还是可解读性？
如果只考虑算法的预测能力，那么以下总结了每一种算法的优缺点：

线性回归
优点:
－ 容易执行和解读；
－ 如果是实数，就能提供预测。
缺点:
－ 有很强的统计假设；
－ 数据的等分散性，也就是说，不管预测变项分数高低,效标变项的估计标准误均一样大；
－ 残差的独立性。

2. 逻辑回归
优点:
－ 方差低；
－ 提供了结果的可能性。
缺点:
－ 偏见高。

3. 决策树
优点:
－ 视觉上很容易理解；
－ 能轻松处理类别信息；
－ 很适合与特征轴平行的问题。
缺点:
－ 容易过度拟合。

4. k-平均
优点：
－ 很适合大量的数据；
－ 容易执行和解读。
缺点：
－ 对于超球聚类表现不佳；
－ 结果取决于选择什么样的 k。
好，现在可以选一种算法，应用在你的机器学习问题上了！

作者简介

Eleni Markou 是数据服务平台 Blendo 的数据分析师，她的更多文章可见 https://www.blendo.co/blog/。
文章原标题《3 Machine Learning Algorithms You Need to Know》，作者： Eleni Markou，译者：炫。

• 算法