困難な選択のターミネーター: さまざまな問題に対する機械学習アルゴリズム

データサイエンスを学び始めた頃、特定の問題に対してどのアルゴリズムを選択すればよいのかという疑問によく直面しました。おそらくあなたも私と同じように、機械学習アルゴリズムに関する多くの記事を検索し、多くの詳細な説明を見ても、意思決定の難しさは軽減されません。

ここで、次のような教師ありおよび教師なし機械学習アルゴリズムとその数学的直感をいくつか紹介します。

• 線形回帰
• ロジスティック回帰
• 決定木
• ナイーブベイズ
• サポートベクターマシン
• ランダムフォレスト
• アダプティブブースティング（AdaBoost）
• 勾配ブースティングツリー (GBT)
• シンプルなニューラルネットワーク
• 階層的クラスタリング
• ガウス混合モデル
• 畳み込みニューラルネットワーク
• リカレントニューラルネットワーク
• 推薦システム

機械学習タスクの種類についてある程度理解したら、問題の説明に基づいて、最も人気のあるアルゴリズムと実際のアプリケーションを調べることができます。この記事を読んだ後、これらの問題を解決してみてください。きっと大きな利益が得られると思います。

• 問題文 1: 住宅価格の動向を予測します。

この問題を解決するための機械学習アルゴリズム: ランダム フォレストや勾配ブースティングなどの高度な回帰アルゴリズム。

• 問題ステートメント 2: 顧客の人口統計データを詳細に調査してパターンを特定します。

この問題を解決するための機械学習アルゴリズム: クラスタリング アルゴリズム (エルボー ルール)。

• 問題ステートメント 3: ローンの返済額を予測します。

この問題を解決するための機械学習アルゴリズム: 不均衡なデータセットの分類アルゴリズム。

• 問題文 4: 皮膚病変の特徴 (大きさ、形、色など) に基づいて、病変が良性か悪性かを判断します。

この問題を解決するための機械学習アルゴリズム: 畳み込みニューラル ネットワーク (U-Net ネットワークはセグメンテーションに最適です)。

• 問題ステートメント 5: 顧客離れを予測する。

この問題を解決するための機械学習アルゴリズム: 線形判別分析 (LDA) または二次判別分析 (QDA)。 LDA は分類器と次元削減技術の両方の役割を果たすため、特に人気があります。

• 問題ステートメント 6: 従業員採用の意思決定フレームワークを提供します。

この問題を解決するための機械学習アルゴリズム: 決定木はこの点で優れています。

• 問題ステートメント 7: 製品の売れ筋属性を理解し、予測します。

この問題を解決するための機械学習アルゴリズム: ロジスティック回帰または決定木。

• 問題ステートメント 8: 市場の感情を分析し、製品に対する市場の認識を評価します。

この問題を解決する機械学習アルゴリズムは、Naive Bayes-Support Vector Machine (NBSVM アルゴリズム) です。

• 問題ステートメント 9: スパムメールをフィルタリングするための分類システムを作成します。

この問題を解決するための機械学習アルゴリズム：分類アルゴリズム。ナイーブベイズ、サポートベクターマシン、多層パーセプトロンニューラルネットワーク (MLPNN)、およびラジアル基底関数ニューラルネットワーク (RBFNN) アルゴリズムが提案されています。

問題ステートメント 10: ユーザーがオンライン広告をクリックする可能性を予測します。

この問題を解決するための機械学習アルゴリズム: ロジスティック回帰またはサポートベクターマシン。

• 問題ステートメント 11: クレジットカード取引における不正行為を検出します。

この問題を解決するための機械学習アルゴリズム: アダプティブブースティング、アイソレーションフォレスト、またはランダムフォレスト。

• 問題文 12: 車両の特性に基づいてその価格を推定します。

この問題を解決するための機械学習アルゴリズム: この問題を解決するには、勾配ブースティングが最適です。

• 問題文 13: 患者が健康保険に加入する確率を予測します。

この問題を解決するための機械学習アルゴリズム: シンプル ニューラル ネットワーク。

• 問題ステートメント 14: 登録ユーザーが製品に対して特定の金額を支払う意思があるかどうかを予測します。

この問題を解決する機械学習アルゴリズム: ニューラル ネットワーク。

• 問題ステートメント 15: 年齢などのさまざまな特性に基づいて顧客を分類します。

この問題を解決する機械学習アルゴリズムは、K-means クラスタリング アルゴリズムです。

• 問題ステートメント 16: 音声認識システムで使用するために音声データから特徴を抽出します。

この問題を解決するための機械学習アルゴリズムは、ガウス混合モデルです。

• 問題ステートメント 17: 混合コンポーネントの数と平均を使用して、ビデオ シーケンスの各フレームのターゲットの位置を予測するマルチターゲット追跡。

この問題を解決するための機械学習アルゴリズムは、ガウス混合モデルです。

• 問題文 18: マイクロアレイ実験で遺伝子とサンプルのセットを配列し、生物学的に興味深いパターンを明らかにします。

この問題を解決するための機械学習アルゴリズム: 階層的クラスタリング アルゴリズム。

• 問題ステートメント 19: 同様の特性を持つ他のユーザーの好みに基づいて、ユーザーに映画を推奨します。

この問題を解決するための機械学習アルゴリズム: 推奨システム。

• 問題ステートメント 20: ユーザーが読んだ記事に基づいて、ニュース記事をユーザーに推奨します。

この問題を解決するための機械学習アルゴリズム: 推奨システム。

• 問題ステートメント 21: 自動運転車の運転動作を最適化します。

この問題を解決するための機械学習アルゴリズム：強化学習。

• 問題ステートメント 22: 医療スキャンを通じて健康上の病気を診断します。

この問題を解決する機械学習アルゴリズム: 畳み込みニューラル ネットワーク。

• 問題ステートメント 23: 異なる需要サイクル下でのグリッド負荷のバランスをとる。

この問題を解決するための機械学習アルゴリズム：強化学習。

• 問題ステートメント 24: 時系列データまたはシーケンス (音声録音やテキストなど) の処理。

この問題を解決するための機械学習アルゴリズム: リカレント ニューラル ネットワークまたは Long Short-Term Memory Networks (LSTM)。

• 問題ステートメント 25: 言語を翻訳する。

この問題を解決する機械学習アルゴリズムは、リカレントニューラルネットワークです。

• 問題ステートメント 26: 画像のキャプションを生成します。

この問題を解決する機械学習アルゴリズムは、リカレントニューラルネットワークです。

• 問題ステートメント 27: 顧客からのより微妙なニーズや問い合わせを処理できるようにチャットボットをトレーニングします。

この問題を解決する機械学習アルゴリズムは、リカレントニューラルネットワークです。

この記事の紹介によって、最も一般的に使用される機械学習アルゴリズムについてある程度理解していただき、特定の問題に遭遇したときに迅速に対応し、適切な機械学習アルゴリズムを選択できるようになることを願っています。

この記事はWeChatの公開アカウント「Reading the Core」から転載したもので、以下のQRコードからフォローできます。この記事を転載する場合は、Duxinshu の公開アカウントにご連絡ください。