# 如何實現機器學習算法 > 原文： [https://machinelearningmastery.com/how-to-implement-a-machine-learning-algorithm/](https://machinelearningmastery.com/how-to-implement-a-machine-learning-algorithm/) 在代碼中實現機器學習算法可以教會您很多關于算法及其工作原理的知識。 在這篇文章中，您將學習如何有效地實現機器學習算法以及如何最大限度地從這些項目中學習。  攝影：Maura McDonnell，保留一些權利。 ## 實現機器學習算法的好處 您可以使用機器學習算法的實現作為學習應用機器學習的策略。您還可以在算法實現中開辟一個利基和技能。 ### 算法理解 實現機器學習算法將使您對算法的工作方式有深刻而實用的認識。這些知識還可以幫助您通過將向量和矩陣視為數組以及對這些結構進行轉換的計算直覺來內化算法的數學描述。 在實現機器學習算法時需要做出許多微決策，并且這些決策通常在正式算法描述中缺失。學習和參數化這些決策可以迅速使您獲得對給定方法的中級和高級理解，因為相對較少的人會花時間實現一些更復雜的算法作為學習練習。 ## 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。 ### 實用技能 當您手動實現機器學習算法時，您正在開發有價值的技能。諸如掌握算法的技能，可以幫助開發生產系統的技能和可用于該領域的經典研究的技能。 列出的三個技能示例包括： * **掌握**：算法的實現是掌握算法的第一步。實施時，您必須非常了解算法。您還可以創建自己的實驗室進行修補，以幫助您內化其執行的計算，例如通過調試和添加評估運行過程的措施。 * **生產系統**：生產系統通常需要自定義算法實現，因為出于效率和效率的原因需要對算法進行更改。更好，更快，更少資源的結果最終可以降低成本并增加業務收入，手動實施算法可幫助您培養提供這些解決方案的技能。 * **文獻綜述**：在實施算法時，您正在進行研究。您被迫查找并閱讀該算法的多個規范和正式描述。您還可能找到并編寫代碼審查算法的其他實現，以確認您的理解。您正在進行有針對性的研究，并學習如何閱讀和實際使用研究出版物。 ## 處理 您可以通過一個過程來加速您從頭開始學習和實施機器學習算法的能力。您實施的算法越多，您獲得的算法就越快，效率越高，您開發和定制自己的流程的次數就越多。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/01/Implement-a-Machine-Leaning-Algorithm.jpg) 實施機器學習算法 照片由Nic的事件，保留一些權利 您可以使用下面概述的流程。 1. **選擇編程語言**：選擇要用于實現的編程語言。此決定可能會影響您可以在實現中使用的API和標準庫。 2. **選擇算法**：選擇要從頭開始實施的算法。要盡可能具體。這不僅意味著算法的類和類型，還包括選擇要實現的特定描述或實現。 3. **選擇問題：**選擇可用于測試和驗證算法實現的規范問題或一組問題。機器學習算法不是孤立存在的。 4. **研究算法**：找到論文，書籍，網站，庫以及您可以閱讀和學習的算法的任何其他描述。雖然，理想情況下，您希望對算法的一個關鍵字描述起作用，但您需要對算法有多個透視圖。這很有用，因為多個視角將幫助您更快地內化算法描述，并克服描述中出現的任何歧義或假設的障礙（算法描述中總是存在歧義）。 5. **單元測試**：為每個函數編寫單元測試，甚至從項目開始就考慮測試驅動開發，這樣在實現它們之前，您不得不了解每個代碼單元的目的和期望。 我強烈建議將算法從一種語言移植到另一種語言，以此作為沿著這條路徑快速前進的一種方式。您可以找到許多算法的開源實現，您可以使用其他語言對其進行代碼審查，繪圖，內化和重新實現。 在開發代碼時以及開發代碼之后，請考慮開源代碼。對它進行評論并確保它提供有關如何構建和使用它的說明。該項目將為您正在開發的技能提供營銷，并可能為希望在機器學習中開始的其他人提供靈感和幫助。您甚至可能很幸運地找到了一位對您進行審核或代碼審查感興趣的程序員。你得到的任何反饋都是非常寶貴的（即使是動機），積極尋求它。 ## 擴展 實現算法后，您可以探索對實現進行改進。您可以探索的一些改進示例包括： * **實驗**：您可以將您在算法實現中做出的許多微觀決策暴露為參數，并對這些參數的變化進行研究。這可以為您提供可以共享和推廣的算法實現的新見解和消歧。 * **優化**：您可以通過使用工具，庫，不同語言，不同數據結構，模式和內部算法來探索提高實施效率的機會。您對經典計算機科學的算法和數據結構的了解對此類工作非常有益。 * **專業化**：您可以探索使算法更具體針對問題的方法。創建生產系統時可能需要這樣做，這是一項寶貴的技能。使算法更具體問題還可以導致效率（例如運行時間）和功效（例如準確度或其他表現測量）的增加。 * **泛化**：可以通過使特定算法更通用來創建機會。程序員（如數學家）在抽象方面具有獨特的技能，您可以看到該算法如何完全應用于一類問題或其他問題的更一般情況。 ## 限制 您可以通過手動實現機器學習算法來學習很多東西，但也要記住一些缺點。 * **冗余**：許多算法已經實現了，一些非常強大的實現已被全球數百或數千名研究人員和從業者使用。您的實施可能被視為多余的，社區已投入的重復工作。 * **Bugs** ：即使是熟練的程序員和單元測試，用戶很少的新代碼也更容易出錯。使用標準庫可以降低算法實現中出現錯誤的可能性。 * **非直觀的飛躍**：由于涉及復雜的數學，一些算法依賴于推理或邏輯中的非直觀跳躍。不理解這些跳躍的實現是有限的，甚至是不正確的。 很容易評論機器學習算法的開源實現，并在代碼審查中引發許多問題。要理解在實現中編碼的非直觀效率要困難得多。這可能是思考的陷阱。 您可能會發現，在考慮如何將其更改為在程序上不那么優雅但計算效率更高的情況下，從復雜算法的較慢直觀實現開始是有益的。 ## 示例項目 有些算法比其他算法更容易理解。在這篇文章中，我想為直觀算法提出一些建議，您可以從中選擇第一個從頭開始實現的機器學習算法。 * **普通最小二乘線性回歸**：使用二維數據集和y中的模型x。為算法的每次迭代打印出錯誤。考慮為算法的每次迭代繪制最佳擬合線和預測線，以查看更新如何影響模型。 * **k-最近鄰**：考慮使用具有2個類的二維數據集，甚至是使用方格紙創建的兩個類，以便您可以繪制它們。一旦您可以繪制并進行預測，您就可以繪制為模型所做的每個預測決策創建的關系。 * **Perceptron** ：被認為是最簡單的人工神經網絡模型，與回歸模型非常相似。您可以在學習數據集時跟蹤和繪制模型的表現。 ## 摘要 在這篇文章中，您了解了手動實現機器學習算法的好處。您了解到，通過遵循此路徑，您可以了解算法，進行改進并培養寶貴的技能。 您學習了一個簡單的過程，您可以在從頭開始實施多個算法時遵循和自定義，并且您學習了三種算法，您可以選擇這些算法作為從頭開始實施的第一個算法。