更多的数据，更多的问题，更好的答案

机器学习算法找出产生的洞察力，帮助你做出更好的决策和预测数据的自然形态。他们每天都在使用，使医疗诊断，股票交易，能源负荷预测，更关键的决策。例如，媒体网站依靠机器学习数以百万计的选项进行筛选，以给你歌曲或电影的建议。零售商用它来深入了解客户的购买行为。

当你应该使用机器学习？

考虑使用机器学习，当你有一个复杂的任务，或涉及大量的数据和大量的变量的问题，但没有现成的公式或公式。例如，机器学习是一个不错的选择，如果你需要这样的处理情况：

监督学习

监督机器学习建立一个模型基础上的不确定性的存在证据，使预测。受监督的学习算法将一组已知的输入数据和已知响应的数据（输出）和火车的模型来产生用于响应于新的数据合理预测。使用监督学习，如果你已经知道数据对您正在试图预测输出。

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。

进行分类的统一算法包括万博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，回归和神经网络。

回归技术预测连续反应，例如，改变在电力需求温度或波动。典型的应用包括电力系统负荷预测算法交易。

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。

一般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你需要探索您的数据，并希望培养一个模型，以找到一个很好的内部表示，如数据拆分成集群。