# 理解任何機器學習算法的6個問題 > 原文： [https://machinelearningmastery.com/question-to-understand-any-machine-learning-algorithm/](https://machinelearningmastery.com/question-to-understand-any-machine-learning-algorithm/) 有很多機器學習算法，每個算法都是一個研究的島嶼。 您必須選擇學習機器學習算法的詳細程度。如果您是對應用預測建模感興趣的開發人員，那么有一個最佳選擇。 這篇文章描述了最佳位置，并為您提供了一個模板，您可以使用該模板快速了解任何機器學習算法。  理解機器學習算法的甜蜜點 照片由 [dmums](https://www.flickr.com/photos/digitalmums/6310508350/) 拍攝，保留一些權利。 讓我們開始吧。 ## 您需要了解的機器學習算法？ 關于機器學習算法，您需要了解什么才能在分類或預測問題上很好地使用它？ 我不會爭辯說，你對特定算法的工作方式和原因了解得越多，就越能掌握它。但我確實認為有一個收益遞減的地方你可以停下來，使用你所知道的有效方法，并深入研究理論和研究算法，當且僅當你需要了解更多才能獲得更好的結果時。 讓我們來看看將揭示機器學習算法以及如何最好地使用它的6個問題。 ## 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。 ## 詢問任何算法的6個問題 您可以提出6個問題來了解任何機器學習算法的核心： 1. 你如何參考技術（_，例如什么名稱_）？ 2. 你如何表示學習模型（_，例如什么系數_）？ 3. 如何學習模型（_，例如從數據到表示_的優化過程）？ 4. 如何從學習模型中進行預測（_，例如將模型應用于新數據_）？ 5. 您如何使用該技術（_，例如假設_）為建模準備最佳數據？ 6. 如何獲得有關該技術的更多信息（_，例如在哪里查看_）？ 您會注意到我已將所有這些問題都表達為操作方法。我故意這樣做是為了將實際問題從更為理論的問題中分離出來。如果您希望將其用作獲取結果的工具，我認為了解技術的工作原理并不比了解它的工作方式重要。更多相關內容將在下一節中介紹。 讓我們依次仔細研究這些問題。 ### 1.你如何參考技術？ 這很明顯但很重要。您需要知道該技術的規范名稱。 您需要能夠從其他字段中識別經典名稱或方法名稱，并且知道它是相同的。這還包括算法的首字母縮寫，因為有時它們不是直觀的。 這將幫助您從擴展和算法適合的位置的家族樹中解析基本算法，并與類似的算法相關聯。 ### 2.你如何代表學到的模型？ 我真的很喜歡這個棘手的問題。 這是教科書和論文中經常被忽視的問題，也許是工程師在考慮如何實際使用和部署模型時的第一個問題。 該表示是數字和數據結構，其捕獲由預測算法使用的學習算法從數據學習的不同細節。這是您在完成模型時保存到磁盤或數據庫的內容。當新的訓練數據可用時，這是您更新的內容。 讓我們以一個例子來具體化。在線性回歸的情況下，表示是回歸系數的向量。而已。在決策樹的情況下，樹本身包括節點，它們如何連接以及選擇的變量和截止閾值。 ### 3.你如何學習模型？ 給定一些訓練數據，算法需要創建模型或填寫模型表示。這個問題究竟是如何發生的。 通常學習涉及直接在更簡單的算法中從訓練數據估計參數。 在大多數其他算法中，它涉及使用訓練數據作為成本或損失函數的一部分以及使函數最小化的優化算法。更簡單的線性技術可以使用線性代數來實現該結果，而其他可以使用數值優化。 機器學習算法學習模型的方式通常與算法本身同義。這是運行機器學習算法的一個具有挑戰性且經常耗時的部分。 可以參數化學習算法，并且列出可以用作起點的參數值或配置啟發法的公共范圍通常是個好主意。 ### 4.如何使用模型進行預測？ 學習模型后，它將用于對新數據進行預測。請注意，我們專門討論用于分類和回歸問題的預測建模機器學習算法。 這通常是使用機器學習算法的快速而平凡的部分。通常它是如此微不足道，甚至在文獻中都沒有提到或討論過。 這可能是微不足道的，因為預測可能像填充等式中的輸入和計算預測一樣簡單，或者遍歷決策樹以查看什么葉節點亮起。在其他算法中，如k-最近鄰居，預測算法可以是主要節目（k-NN除了“存儲整個訓練集”之外沒有訓練算法）。 ### 5.如何最好地為算法準備數據？ 機器學習算法做出假設。 即使是最放松的非參數方法也會對您的訓練數據做出假設。審查這些假設是好的甚至是關鍵的。更好的方法是將這些假設轉換為您可以執行的特定數據準備操作。 這個問題會刷新您在建模之前可以對數據使用的變換，或者至少讓您暫停思考要嘗試的數據變換。我的意思是，最好將算法要求和假設視為事物的建議，以試圖充分利用您的模型，而不是您的數據必須遵守的硬性和快速規則。 就像您無法知道哪種算法最適合您的數據一樣，您無法知道應用于數據的最佳轉換以從算法中獲得最大收益。真實數據很混亂，最好使用多種不同的算法嘗試大量的數據演示，以確定需要進行更深入調查的內容。機器學習算法的要求和假設有助于指出要嘗試的數據的演示。 ### 6.如何獲得有關算法的更多信息？ 在數據問題上，某些算法通常會比其他算法更好。 當他們這樣做時，您需要知道在哪里可以更深入地了解該技術。這有助于進一步自定義數據算法并調整學習和預測算法的參數。 收集和列出您可以在需要深入了解時可以參考的資源是一個好主意。這可能包括： * 期刊文章 * 會議論文 * 書籍包括教科書和專著 * 網頁 我還認為，了解更多實用的參考資料是一個好主意，例如示例教程和開源實現，您可以查看這些參考資料以更具體地了解正在發生的事情。 有關研究機器學習算法的更多信息，請參閱[如何研究機器學習算法](http://machinelearningmastery.com/how-to-research-a-machine-learning-algorithm/)。 ## 摘要 在這篇文章中，您發現了6個問題，您可以詢問機器學習，如果得到回答，將為您提供一個非常好的和實用的概念，了解它是如何工作的以及如何有效地使用它。 這些問題主要集中在用于預測建模問題（如分類和回歸）的機器學習算法上。 這些問題，簡單地說是： 1. 算法的常用名稱是什么？ 2. 模型使用什么表示？ 3. 算法如何從訓練數據中學習？ 4. 如何從模型中對新數據進行預測？ 5. 如何最好地為算法準備數據？ 6. 在哪里可以找到有關算法的更多信息？ 對于定義算法描述模板這一主題的另一篇文章，請參見[如何學習機器學習算法](http://machinelearningmastery.com/how-to-learn-a-machine-learning-algorithm/)。 你喜歡這種方法嗎？請在評論中告訴我。