# 如何建立機器學習算法的直覺 > 原文： [https://machinelearningmastery.com/how-to-build-an-intuition-for-machine-learning-algorithms/](https://machinelearningmastery.com/how-to-build-an-intuition-for-machine-learning-algorithms/) 機器學習算法很復雜。要善于應用給定的算法，您需要從多個角度進行研究：算法，數學和經驗。 這是我想要強調的最后一點。您需要建立直覺或算法在實際數據上的行為方式。你需要解決很多問題。 在這篇文章中，我想鼓勵你在開始和練習機器學習時使用小型內存數據集。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/10/Wrapping-your-head-around-data.jpg) 圍繞數據 照片由 [Nic McPhee](https://www.flickr.com/photos/nicmcphee/2217375343) 拍照，保留一些權利 ## 研究算法或問題，而不是兩者 您無法同時學習問題和算法。 如果你嘗試，你將慢慢地和低效地進步。您的重點將被劃分，并且理想地執行下面的任務。 當你進入這條賽道時，你會知道，因為你會在深入研究問題和深入到特定算法之間振蕩。你會感到沮喪和不堪重負。你承擔的太多了。 ## 獲取免費算法思維導圖  方便的機器學習算法思維導圖的樣本。 我已經創建了一個由類型組織的60多種算法的方便思維導圖。 下載，打印并使用它。 ### 分裂你的疑慮 最好的做法是分別研究算法和問題。 您可以通過使用算法來了解問題，并以模型的形式提出候選解決方案。這意味著您將嘗試許多模型（點檢查）和可能的許多算法配置（調整）。 您通過關注一個問題數據集并使用它來了解算法參數的相互作用及其對模型的影響（例如最終結果或一段時間內的行為）來研究算法。 這是第二類項目，您可以使用經驗實驗來建立機器學習算法如何工作的直覺。您可以將這種直覺與其工作原理的理論結合起來，并旨在圍繞使用哪種算法以及何時針對特定問題做出明智的決策。 ## 扮演科學家 您希望將算法的行為表征為受控問題的系統。 該研究的重點是一個問題，例如： 該算法的信息處理策略是什么？ 當給定參數變化時，系統如何表現？ 在開始之前，清楚地定義您打算在研究中回答的具體問題。明確答案將采取何種形式。 ### 實際結果 學習算法具有一些特定的實際好處，可以提高您的機器學習技能，例如： * **算法調整**：您正在學習算法如何表現為復雜系統以及算法參數對這些行為的影響。這些是在特定問題實例上調優算法所需的寶貴見解和直覺。 * **問題 - 算法擬合**：您正在學習在問題類和問題實例上表現良好的算法類和特定算法實例。這是一種只能通過經驗建立起來的直覺。 * **項目生命周期**：您正在練習應用機器學習的過程，包括數據準備，算法測試和調整以及結果的呈現。 他們的關鍵是擁有標準的易于理解的數據集，您可以使用它們來更好地理解所研究的算法。 ## 使用標準數據集 您可以使用一個或少量模型數據集來研究機器學習算法。 有時它們被稱為玩具數據集或玩具問題，因為它們的大小。然而，當您學習和實踐機器學習算法時，它們發揮著重要作用。 不同的數據集具有不同的已知屬性。通常希望選擇一小組那些屬性來暴露正在研究的算法的不同行為。 例如，某些屬性可能包括 * 功能數量 * 類分布 * 數據類型 * 結構關系 ### 模型數據集的5個好處 以下是使用標準機器學習數據集的5個好處。 * **小**：數據集可以放入內存中。這意味著您可以快速運行大量實驗，然后快速了解算法。 * **理解**：通常理解數據集。它背后可能有重要的文獻，或者是算法的常見測試和研究點。它具有用于測試算法能力的已知屬性。 * **受控**：模型數據集常量，為受控實驗提供基礎。可以改變算法的行為以查看對結果的影響與良好理解的問題。 * **Free** ：可以下載模型數據集。您無需獲得許可或支付許可費。您可以隨時使用常用數據集。 * **簡單**：數據中的結構或關系并不復雜。可以很容易地理解它們，并使用摘要統計和圖表進行描述。通常很少有變量。 ## UCI機器學習庫 有些工具附帶了樣本數據集，但您可以信賴的一個很好的來源是[加州大學歐文機器學習庫](https://archive.ics.uci.edu/ml/index.html)。 它是一個網站，托管學術界使用的數百個標準機器學習數據集，用于測試，演示和實證表征機器學習算法的行為。 您可以瀏覽此站點上的數據集，查看數據，并查看已參考數據集的論文和文章。 這是一種寶貴的資源，您可以使用它來查找數據集以研究機器學習算法。 ### 5個經典模型數據集 下面是我熟悉新算法或我忘記的舊算法時要使用的5類數據集的列表。 * [鳶尾花](http://archive.ics.uci.edu/ml/datasets/Iris)：根據花的尺寸描述鳶尾花，分為三個種類。 * [電離層](https://archive.ics.uci.edu/ml/datasets/Ionosphere)：描述了表征電離層能量狀態的雷達返回數據。所有屬性都是數字，類是二進制。 * [皮馬印第安人糖尿病](https://archive.ics.uci.edu/ml/datasets/Pima+Indians+Diabetes)：皮馬印第安人的各種醫療記錄數據，其二元類別是患者在收集醫療數據后5年內是否患有糖尿病。 * [玻璃鑒定](https://archive.ics.uci.edu/ml/datasets/Glass+Identification)：根據樣品的化學成分鑒定類，多個不平衡類。 * [威斯康星乳腺癌](https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Original))：乳腺癌患者的醫療活檢信息和樣本是否癌變的二元類變量。 您可能會發現這些數據集中的一個或多個在您自己的實驗中很有用。 ## 摘要 在這篇文章中，您發現了在嘗試同時了解問題數據集和算法時遇到的困難。事實上，他們是相互競爭的擔憂。 您發現答案是將這些問題分開，以了解您的問題并了解算法，并明確您的目標是什么。 您在了解算法時可以發現小型模型數據集的好處，在哪里可以獲得標準的機器學習數據集以及一些您可以開始使用的流行示例。 如果您想了解更多有關如何學習機器學習算法的信息，請查看我的[算法描述模板](http://machinelearningmastery.com/algorithm-description-template/ "You Can Learn Machine Learning Algorithms")以學習任何算法，[小項目方法](http://machinelearningmastery.com/small-projects/ "Learn and Practice Applied Machine Learning")指導自學項目，包括學習算法。