更多的数据，更多的问题，更好的答案

机器学习算法在数据中发现自然模式，从而产生洞察力，帮助你做出更好的决策和预测。它们每天都被用于医疗诊断、股票交易、能源负荷预测等方面的关键决策。例如，媒体网站依靠机器学习从数百万个选项中筛选出歌曲或电影推荐。零售商利用它来洞察顾客的购买行为。

当你应该使用机器学习？

当你有一个复杂的任务或问题，涉及大量的数据和变量，但没有现成的公式或方程时，考虑使用机器学习。例如，如果你需要处理以下情况，机器学习是一个不错的选择:

监督式学习

监督机器学习在存在不确定性的情况下，建立一个基于证据的预测模型。监督学习算法采用一组已知的输入数据和对数据的已知响应(输出)，并训练一个模型来生成对新数据响应的合理预测。如果你已经知道你要预测的输出数据，那么就使用监督学习。

监督学习使用分类和回归技术开发预测模型。

分类技术预测离散的反应，例如，电子邮件是否正规垃圾邮件，或者是否肿瘤是癌或良性。分类型输入数据分为两类。典型的应用包括医疗成像，语音识别和信用评分。

用途分类，如果你的数据可以被标记，分类或分解为特定的群体或阶层。例如，对于手写识别用途分类应用程序能识别字母和数字。在图像处理和计算机视觉，无监督模式识别技术用于物体检测和图像分割。

执行分类的常用算法包括万博1manbetx支持向量机（SVM），提振和袋装决策树，ķ最近的邻居，朴素贝叶斯，判别分析，逻辑回归和神经网络。

回归技术预测连续的响应——例如，温度的变化或电力需求的波动。典型的应用包括电力负荷预测和算法交易。

使用回归技术，如果您正在使用的数据范围的工作，或者如果你的反应的本质是实数，如温度或时间，直到故障的一台设备。

常用的回归算法包括线性模型，非线性模型，正规化，逐步回归，提振和袋装决策树，神经网络和自适应神经模糊学习。

你如何决定哪台机器学习算法使用？

选择正确的算法似乎可以压倒，有几十个监督和无监督的机器学习算法，每个采用不同的方法来学习。

没有最好的方法或一刀切。找到合适的算法部分是正义的审判和错误，甚至是经验丰富的数据科学家也说不清的算法是否会没有想出来工作。但算法选择也取决于你用，你想从数据获得洞察力的工作数据的大小和类型，以及这些见解将如何使用。

这里有监督和无监督的机器学习之间进行选择的一些准则：

• 选择监督式学习如果你需要训练的模型进行预测 - 例如，一个连续变量的未来值，如温度或股票价格，或分类，例如，从识别摄像头录像的汽车品牌。
• 选择无监督学习如果您需要研究您的数据，并且想要训练一个模型来找到一个好的内部表示，例如将数据分割成集群。