推送!10大主流AI模型適用盤點

　　【IT168 技術】人工智慧和機器學習的出現，讓各大企業瞬間走上捷徑，不管是運營效率還是生產利潤都得到了顯著的提升。但世界上是沒有「免費午餐」的，企業面臨的問題數組龐大，用於解決這些問題的ML模型種類相當廣泛，每一種算法擅長的領域都不同，選擇一種合適的算法模型成為企業棘手難題。

　　本文匯總了當下最流行的10種AI算法，對它們的優點進行了詳細梳理，以供觀摩!

　　10種流行AI算法：

1. 　　線性回歸

2. 　　Logistic回歸

3. 　　線性判別分析

4. 　　決策樹

5. 　　樸素貝葉斯

6. 　　K-Nearest Neighbors

7. 　　學習矢量量化

8. 　　支持向量機

9. 　　Bagging和隨機森林

10. 　　深度神經網絡

　　在詳細介紹各大模型之前，我們先了解一下機器學習的基本原理。

　　機器學習的原理可以簡單的理解為學習函數(f),它提供輸入值(x)和輸出值(y)之間最精確的相關性。Y=F(X)

　　當我們擁有了一些歷史數據X、Y時，便可以套入AI模型，得出這些數據間最佳映射。機器學習不同於數學計算，它的結果不是100%的準確，只是一個最佳數值。但我們訓練的F函數可以用於使用新X預測新Y，從而實現預測分析。不同種類的ML模型實現最佳結果的方式都是不一樣的，但是基本原理都是一樣的。

　　線性回歸

　　截止今日，線性回歸在數學統計中被使用了200多年。算法的要點是找到係數(B)的值， 這些值對訓練函數精度的影響很大。

　　舉一個簡單的例子：y = B0 + B1 * x，其中B0 + B1就是需求。

　　通過調整這些係數的權重，數據科學家可以獲得不同的訓練結果。該算法成功的核心要求是具有清晰的數據(不能有太多的「低值信息」)，並除去具有相似值(相關輸入值)的輸出變量。

　　線性回歸算法一般適用於金融、銀行、保險、醫療保健、營銷等行業，統計數據進行梯度下降優化。

　　Logistic回歸

　　Logistic回歸是另一種流行的AI算法，能夠提供二進位結果。這意味著該模型既可以預測結果，也可以指定y值的兩個類別。該函數可以改變算法的權重，但由於使用非線性邏輯函數來轉換結果，所以是不同的。此函數可以表示為將真值與虛值分開的S形線。

　　該函數成功的要求與線性回歸相同——去除相同值的輸入樣本並減少低值數據的數量。Logistic回歸是一個比較簡單的函數，很好掌握，很適合二進位分類。

　　線性判別分析(LDA)

　　線性判別分析(LDA)是邏輯回歸模型的一個分支，可以在輸出中存在兩個以上的類時使用。該模型可以計算數據的統計特性，如每個類別平均值和所有類別的總方差。預測允許計算每個類的值，並確定具有最高值的類。想要得到正確的結果，該模型需要根據高斯貝爾曲線分布數據，事先去除所有的異常值。

　　決策樹

　　決策樹是最古老，最常用，最簡單和最有效的ML模型之一。它是一個經典的二叉樹，在模型到達結果節點之前，都需要確定是否進行拆分。

　　該模型易於學習，不需要數據規範化，可以幫助解決多種類型的問題。

　　樸素貝葉斯(NBM)

　　樸素貝葉斯算法是一個簡單但非常強大的模型，用於解決各種複雜問題。它可以計算出兩種類型的概率：

1. 　　每個類出現的概率

2. 　　給定一個獨立類的條件概率，給出一個額外的x修飾符。

　這種模型會假設所有輸入數據彼此無關，因此也被稱為「幼稚模型」。雖然這些在現實生活中無法實現，但這種簡單的算法可以應用於多種標準化數據流，高精度地預測結果。

　　K-Nearest Neighbors(KNN)

　　K-Nearest Neighbors同樣也是一個非常簡單且強大的ML模型，使用整個訓練數據集作為表示欄位。通過檢查具有相似值的K數據節點的整個數據集並使用歐幾裡德數來計算結果值的預測，以確定結果值。

　　這樣的數據集需要大量的計算資源來存儲和處理數據，但當存在多個屬性且必須不斷地策劃時會遭受精度損失。但是它工作速度極快，能夠非常準確且高效的在大型數據集中查找所需值。

　　學習矢量量化(LVQ)

　　KNN唯一的缺點是需要存儲和更新大型數據集。學習矢量量化(LVQ)是KNN模型的進化版，它是使用碼本矢量來定義訓練數據集並編碼所需結果的神經網絡。因此，這些向量最初是隨機的，在學習的過程中可以調整它們的值來最大化預測精度。

　　因此，找到具有最相似值的向量可以預測結果值的最高準確度。

　　支持向量機(SVM)

　　支持向量機是數據科學家討論最廣泛的算法之一，因為它為數據分類提供了非常強大的功能。所謂的超平面是用不同的值分隔數據輸入節點的線，當同一類的所有數據實例都在超平面的同一側，即支持向量;當數據點在其類平面之外，即不支持向量。

　　好的超平面具有最大正向量且能夠分離大多數數據節點。它是一個非常強大的分類機器，可以應用於各種數據規範化問題。

　　Bagging和隨機森林

　　隨機決策森林由決策樹組成，其中多個數據樣本由決策樹處理，將結果聚合(如收集袋中的許多樣本)在一起來找到更準確的輸出值。

　　不是找到一條最佳路線，而是定義了多條次優路線，從而使整體結果更加精確。如果決策樹能夠解決您的需求，那麼隨機森林可以作為一種優化方式，使結果更加完善。

　　深度神經網絡(DNN)

　　深度神經網絡是使用最廣泛的AI和ML算法之一，其工作原理是模仿人腦思考方式，使軟體的語音識別速度更快，識別準確率更高。它擅長改善深基於學習的文本和語音應用程式，機器感知深層神經網絡和OCR等。

　　總結

　　AI模型和ML模型種類繁多，有的適合數據分類，有的適合數據規劃。沒有一款模型能夠適合所有的問題，因此選擇一種合適的AI模型至關重要。

　　那麼如何判斷哪個模式更匹配您的需求呢?以下是一些幫助判斷的要點：

1. 　　您需要處理的3V大數據(輸入的數量，種類和速度)

2. 　　您可以使用的計算資源數量

3. 　　您處理數據的時間限制

4. 　　數據處理的目標

　　綜上所述，如果一個模型可以提供94%的預測精度，另一個模型可以提供86%的預測精度，但是高精度模型的處理時間是低精度模型處理時間的兩倍，那麼就需要您基於上述條件去做選擇。

　　但是，目前還存在一個比較大的問題是很多企業普遍缺乏設計、實施數據分析以及機器解決方案所需的專業知識。這就是為什麼有那麼多的企業都去選擇專門的託管服務提供商。