# 簡單的三步法到最佳機器學習算法 > 原文： [https://machinelearningmastery.com/steps-to-the-best-machine-learning-algorithm/](https://machinelearningmastery.com/steps-to-the-best-machine-learning-algorithm/) 您如何為數據集選擇最佳算法？ 機器學習是一種歸納問題，其中一般規則是從域中的特定觀察數據中學習的。 不可能（不可能？）知道使用什么表示或什么算法來最好地從特定問題的數據中學習，而不必知道問題，以至于您可能不需要機器學習開始。 那么你應該在給定的問題上使用什么算法呢？這是一個試錯的問題，或搜索最佳表示，學習算法和算法參數。 在這篇文章中，您將發現簡單的3步方法，用于為業務中的一些最佳預測建模者提出的問題找到最佳算法。  步驟到最好的機器學習算法 照片由 [David Goehring](https://www.flickr.com/photos/carbonnyc/5186228351/) ，保留一些權利。 ## 三步驟方法 Max Kuhn是[插入符號包](http://topepo.github.io/caret/index.html)的創建者和擁有者，它為R中的預測建模提供了一套工具。它可能是最好的R包，也是R是嚴重競爭的首選的原因之一和應用機器學習。 在他們出色的書“ [Applied Predictive Modeling](http://www.amazon.com/dp/1461468485?tag=inspiredalgor-20) ”中，Kuhn和Johnson概述了為特定問題選擇最佳模型的過程。 我將他們建議的方法解釋為： 1. 從最不易解釋且最靈活的模型開始。 2. 研究不太透明的簡單模型。 3. 考慮使用最簡單的模型，該模型可以合理地逼近更復雜模型的表現。 他們評論說： > 使用此方法，建模者可以在確定模型之前發現數據集的“表現上限”。在許多情況下，一系列模型在表現方面是等效的，因此從業者可以權衡不同方法的好處...... 例如，以下是您可以在下一次一次性建模項目中使用的此方法的一般解釋： 1. 調查一系列復雜模型并建立表現上限，例如： 1. 支持向量機 2. 梯度增壓機 3. 隨機森林 4. 袋裝決策樹 5. 神經網絡 2. 研究一套更簡單，更易解釋的模型，例如： 1. 廣義線性模型 2. LASSO和彈性網正則化廣義線性模型 3. 多元自適應回歸樣條 4. k-最近鄰居 5. 樸素貝葉斯 3. 從（2）中選擇最接近（1）精度的模型。 ## 快速一次性模型 我認為這是一個很好的方法，可用于一次性項目，您需要快速獲得良好的結果，例如在幾分鐘或幾小時內。 * 您可以很好地了解模型中問題的準確性 * 您有一個更容易理解并向他人解釋的模型。 * 你有一個相當高質量的模型非常快（如果你花了幾天或幾周，可能是問題可達到的前10到25％） 我不認為這是解決所有問題的最佳方法。也許方法的一些缺點是： * 更復雜的方法運行速度較慢并返回結果。 * 有時您希望復雜模式優于較簡單的模型（例如，精度勝過可解釋性的域）。 * 表現上限是首先進行的，而不是最后一次，因為可能有時間，壓力和動力從最好的方法中提取最多。 有關此策略的更多信息，請參閱[應用預測建模](http://www.amazon.com/dp/1461468485?tag=inspiredalgor-20)的第4.8節“在模型之間選擇”，第78頁。對于使用R的任何嚴肅的機器學習從業者來說，必須有書。 您是否有找到問題的最佳機器學習算法的方法？發表評論并分享更廣泛的筆畫。 你用過這種方法嗎？它對你有用嗎？ 任何問題？發表評論。