"當您改變看待事物的方式時，您看待的事物就會改變。" ―Wayne Dyer

人類發(fā)明了無數(shù)的機器學(xué)習（ML）算法。 當然，大多數(shù)時候，只有一小部分用于研究和工業(yè)。 但是，對于人類來說，理解并記住所有這些ML模型的所有細節(jié)都是有些不知所措的。 某些人可能還會誤以為所有這些算法都是完全無關(guān)的。 更重要的是，當兩者看起來都是有效的算法時，如何選擇使用算法A而不是算法B？

本文旨在為讀者提供不同角度的機器學(xué)習算法。 基于這些觀點，可以基于共同的理由對算法進行比較，并且可以輕松地對其進行分析。 本文編寫時考慮了兩個主要的ML任務(wù)-回歸和分類。

方法與目標

本質(zhì)上，所有機器學(xué)習問題都是優(yōu)化問題。 機器學(xué)習模型或始終需要優(yōu)化的基本目標函數(shù)背后總有一種方法論。 比較算法背后的主要思想可以增強關(guān)于它們的推理。

例如，線性回歸模型的目的是使預(yù)測值和實際值的平方損失最小化（均方誤差，MSE），而Lasso回歸的目的是通過在MSE上添加額外的正則項來限制MSE，同時限制學(xué)習參數(shù)。 防止過度擬合。

參數(shù)化

盡管沒有嚴格定義參數(shù)模型的定義，但是這種模型分類法已廣泛用于統(tǒng)計學(xué)習領(lǐng)域。 簡單地說，參數(shù)模型意味著模型的參數(shù)數(shù)量是固定的，而當有更多數(shù)據(jù)可用時，非參數(shù)模型的參數(shù)數(shù)量會增加[3]。 定義參數(shù)模型的另一種方法是基于其有關(guān)數(shù)據(jù)概率分布形狀的基本假設(shè)。 如果沒有假設(shè)，那么它是一個非參數(shù)模型[4]。

可并行性

并行算法意味著一種算法可以在給定的時間完成多個操作。 這可以通過在不同的工作人員之間分配工作負載來完成，例如在一臺或多臺計算機中的處理器。 像梯度提升決策樹（GBDT）這樣的順序算法很難并行化，因為下一個決策樹是根據(jù)前一個決策樹所犯的錯誤建立的。

在線和離線

在線和離線學(xué)習是指機器學(xué)習軟件學(xué)習更新模型的方式。 在線學(xué)習意味著可以一次提供一個訓(xùn)練數(shù)據(jù)，以便在有新數(shù)據(jù)時可以立即更新參數(shù)。 但是，離線學(xué)習要求訓(xùn)練在新數(shù)據(jù)出現(xiàn)時重新開始（重新訓(xùn)練整個模型）以更新參數(shù)。 如果一種算法是在線算法，那將是有效的，因為生產(chǎn)中使用的參數(shù)可以實時更新以反映新數(shù)據(jù)的影響。

偏差方差權(quán)衡

不同的ML算法將具有不同的偏差方差權(quán)衡。 偏差誤差來自模型偏向特定解決方案或假設(shè)的事實。 例如，如果線性決策邊界適合非線性數(shù)據(jù)，則偏差會很大。 另一方面，方差度量的是來自模型方差的誤差。 它是模型預(yù)測和期望模型預(yù)測的平均平方差[2]。

Bias-variance tradeoff, extracted from [2].

不同的模型進行不同的偏差方差折衷。 例如，樸素貝葉斯由于過于簡單的假設(shè)而被認為是高偏差，低方差模型。

樣品復(fù)雜度

樣本復(fù)雜性衡量了訓(xùn)練網(wǎng)絡(luò)以保證有效概括所需的訓(xùn)練示例的數(shù)量。 例如，深度神經(jīng)網(wǎng)絡(luò)具有很高的樣本復(fù)雜度，因為需要大量的訓(xùn)練數(shù)據(jù)來訓(xùn)練它。

空間復(fù)雜度

空間復(fù)雜度衡量一個算法需要運行多少內(nèi)存。 如果ML算法將過多的數(shù)據(jù)加載到機器的工作存儲器中，則ML程序?qū)o法成功運行。

時間復(fù)雜度

在RAM模型[1]下，算法所需的"時間"通過算法的基本運算來衡量。 盡管用戶和開發(fā)人員可能會更多地關(guān)注算法訓(xùn)練模型所需的掛鐘時間，但使用標準最壞情況下的計算時間復(fù)雜度來比較模型訓(xùn)練所需的時間會更公平。 使用計算復(fù)雜度的好處是可以忽略諸如運行時使用的計算機功能和體系結(jié)構(gòu)以及底層編程語言之類的差異，從而使用戶可以專注于算法基本運算的基本差異。

請注意，在訓(xùn)練和測試期間，時間復(fù)雜度可能會大不相同。 例如，線性回歸等參數(shù)模型可能需要較長的訓(xùn)練時間，但在測試期間卻很有效。

參考

[1]計算的RAM模型

[2]講座12：偏差-偏差權(quán)衡

[3] D. S. Raschka。 "參數(shù)學(xué)習算法和非參數(shù)學(xué)習算法之間有什么區(qū)別？"

[4] T. Hoskin，"參量和非參量：使術(shù)語神秘化"，Mayo診所，2012年，第1-5頁。

總之，可以基于不同的標準來分析ML算法。 這些標準實際上可以幫助衡量不同ML模型的有效性和效率。

您能從其他角度比較機器學(xué)習算法嗎？