# 最好的機器學習算法 > 原文： [https://machinelearningmastery.com/the-best-machine-learning-algorithm/](https://machinelearningmastery.com/the-best-machine-learning-algorithm/) 什么是最好的機器學習算法？我經常收到這個問題。也許甚至每天。 有時這是一個普遍的問題。我認為人們希望確保他們正在學習一種真正的機器學習算法而不是浪費他們的時間。 大多數情況下，它是針對特定問題的。 我認為這是一個非常好的問題，一個非常有說服力的問題。它立刻告訴我，沒有發生必要的思維轉變。 我可以整天從屋頂上喊：“_沒有最好的算法_”，但這沒有用。 在這篇文章中，我想為您提供一些工具，幫助您開始思考一個最佳解決方案。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/06/fear-of-loss.jpg) 害怕失去。 攝影： [Jimee，Jackie，Tom＆amp; Asha](https://www.flickr.com/photos/wilderdom/266650346/sizes/o/) ，保留一些權利 ## 最佳解決方案 您可能是程序員或工程師。當您遇到特定問題時，您可以使用一種算法來解決它。 例如，您需要一個有序的項目列表，您使用標準庫中內置的排序算法。沒有含糊之處。你需要一個排序列表，你使用算法，現在你有一個排序列表。 為什么機器學習不能那樣？ 排序示例中存在歧義，它只是對您隱藏。 您正在使用的那種排序算法是眾多算法中的一種，并且基于對諸如語言特征，空間和時間復雜性以及可能的易于實現和其他偏差等約束的權衡而被選擇用于庫中。它可能不是針對您的特定問題的最佳排序算法（在一些關注的維度上），但它已經足夠好了。您的列表已排序。 ## 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。 另一個例子。 您必須在軟件產品中實現中等復雜的功能。實現該功能的最佳方法是什么？ 有許多方法可以設計軟件并在界面中顯示功能。我們使用指南來幫助我們做出這些決定（樣式指南，設計指南，設計模式，語言功能等），但沒有一種真正的方法可以完成工作。選擇合適的權衡平衡是一個決策問題。 最好的解決方案的想法是一個謬論，但我相信你已經知道了。 ## 沒有免費午餐 它也比你想象的還糟糕。 可以證明沒有最好的算法。 [沒有免費午餐定理](http://en.wikipedia.org/wiki/No_free_lunch_in_search_and_optimization)告訴我們在所有問題和所有算法的矩陣中，所有算法的平均表現都是等價的。 現在，這是一個理論結果，并假設沒有關于我們的問題或算法的先驗知識。但是，對于我們必須做出的思考過渡來說，這是一個有用的框架。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/06/no-free-lunch.jpg) 天下沒有免費的午餐。 照 [..匹配..](https://www.flickr.com/photos/47294014@N00/210574919/sizes/o/) ，保留一些權利 ## 害怕失去 真正發生的是害怕失去。 * 如果您使用錯誤的算法怎么辦？ * 如果您可以使用其他算法獲得更好的結果怎么辦？ * 如果你花時間學習錯誤的算法怎么辦？ 這是非常糟糕的，你甚至可能不會選擇算法。您甚至可能不會嘗試解決您的問題或開始學習機器學習。 如果你問我：“_什么是問題的最佳機器學習算法？_ “，我看到[的所有損失厭惡](http://en.wikipedia.org/wiki/Loss_aversion)。 您需要這些工具來解決此問題。 ## 這是一個搜索問題 您需要從正在解決的元問題的高效框架開始。 這個問題是搜索。您正在尋找最佳判斷的算法或算法配置（真正的區別是什么？）。 您選擇為模型提供的數據僅包含大量結構化信息，以便利用算法。與上面的排序示例一樣，有一個理想化的解決方案（底層結構化數據的模型）和許多可用于實現理想化解決方案實例的算法。 什么是最好的搜索算法？我不知道。 [現場檢查一些算法](http://machinelearningmastery.com/why-you-should-be-spot-checking-algorithms-on-your-machine-learning-problems/ "Why you should be Spot-Checking Algorithms on your Machine Learning Problems")，然后選擇表現更好并進一步改進其結果。 現在這可能聽起來很陳舊，但如果你剛剛開始學習機器，這是我能給出的最佳建議。 實踐應用機器學習的[過程將為你在不同情況下算法行為的直覺建立起來。您收集的這些軼事可以告知您嘗試的算法選擇。](http://machinelearningmastery.com/process-for-working-through-machine-learning-problems/) 閱讀算法工作原理的理論是更難的，但也是您想要用來告知您嘗試的算法選擇的有價值的信息。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/06/machine-learning-as-search.jpg) 機器學習作為一個搜索問題。 照 [taylar](https://www.flickr.com/photos/taylar/3460980819) ，保留一些權利。 ## 實證研究 使用機器學習解決問題是一種經驗性的科學探究。 如果你有一個完美的問題模型，你會使用它。但是你沒有，你有數據，而你正在使用它來模擬問題。 將元問題構建為搜索意味著您需要非常強烈地了解如何客觀地評估結果（模型）。這就是為什么預先定義問題絕對非常重要的原因。 你需要有條不紊和系統化。 您嘗試的算法并非無關緊要，但它們可能是您[定義問題](http://machinelearningmastery.com/how-to-define-your-machine-learning-problem/ "How to Define Your Machine Learning Problem")和[您使用的測試工具](http://machinelearningmastery.com/how-to-choose-the-right-test-options-when-evaluating-machine-learning-algorithms/ "How To Choose The Right Test Options When Evaluating Machine Learning Algorithms")至[評估您準備的模型](http://machinelearningmastery.com/why-you-should-be-spot-checking-algorithms-on-your-machine-learning-problems/ "Why you should be Spot-Checking Algorithms on your Machine Learning Problems")的次要方法。 這是一個艱難的教訓，可能需要一些時間才能沉入其中。十年之后，它仍然滲透到我的骨髓里。