針對(duì)Quora上的一個(gè)老問(wèn)題：不同分類(lèi)算法的優(yōu)勢(shì)是什么？Netflix公司工程總監(jiān)Xavier Amatriain近日給出新的解答，他根據(jù)奧卡姆剃刀原理依次推薦了邏輯回歸、SVM、決策樹(shù)集成和深度學(xué)習(xí)，并談了他的不同認(rèn)識(shí)。他并不推薦深度學(xué)習(xí)為通用的方法，這也側(cè)面呼應(yīng)了我們之前討論的問(wèn)題：深度學(xué)習(xí)能否取代其他機(jī)器學(xué)習(xí)算法。

不同分類(lèi)算法的優(yōu)勢(shì)是什么？例如有大量的訓(xùn)練數(shù)據(jù)集，上萬(wàn)的實(shí)例，超過(guò)10萬(wàn)的特征，我們選擇哪種分類(lèi)算法最好？Netflix公司工程總監(jiān)Xavier Amatriain認(rèn)為，應(yīng)當(dāng)根據(jù)奧卡姆剃刀原理（Occam’s Razor）來(lái)選擇算法，建議先考慮邏輯回歸。

• 選擇一個(gè)合理的算法可以從很多方面來(lái)考察，包括：
• 訓(xùn)練實(shí)例的數(shù)量？
• 特征空間的維度？
• 是否希望該問(wèn)題線性可分？
• 特征是否是獨(dú)立的？
• 是否預(yù)期特征能夠線性擴(kuò)展？
• 過(guò)度擬合是否會(huì)成為一個(gè)問(wèn)題？
• 系統(tǒng)在速度/性能/內(nèi)存使用等方面的要求如何？

邏輯回歸

作為一般的經(jīng)驗(yàn)法則，我建議先考慮邏輯回歸（LR，Logistic Regression）。邏輯回歸是一個(gè)漂亮乖巧的分類(lèi)算法，可以訓(xùn)練你希望的特征大致線性和問(wèn)題線性可分。你可以很容易地做一些特征引擎把大部分的非線性特征轉(zhuǎn)換為線性。邏輯回歸對(duì)噪聲也相當(dāng)強(qiáng)勁，能避免過(guò)度擬合，甚至使用L2或L1正則化做特征選擇。邏輯回歸也可以用在大數(shù)據(jù)場(chǎng)景，因?yàn)樗窍喈?dāng)有效的，并且可以分布使用，例如ADMM。 邏輯回歸的最后一個(gè)優(yōu)點(diǎn)是，輸出可以被解釋為概率。這是一個(gè)好的附加作用，例如，你可以使用它排名而不是分類(lèi)。

即使在你不希望邏輯回歸100%地工作，你也可以幫自己一個(gè)忙，在使用“票友”辦法之前，運(yùn)行一個(gè)簡(jiǎn)單的L2正則化邏輯回歸作為基線。

好了，現(xiàn)在你已經(jīng)設(shè)置邏輯回歸基線，下一步你應(yīng)該做的，我基本上會(huì)推薦兩個(gè)可能的方向：支持向量機(jī)（SVM）或者決策樹(shù)集成。如果我不知道你的具體問(wèn)題，我肯定會(huì)選擇后者，但我將開(kāi)始描述為什么SVM可能是一個(gè)值得考慮的方法。

支持向量機(jī)

支持向量機(jī)使用一個(gè)與LR不同的損失函數(shù)（Hinge）。它們也有不同的解釋?zhuān)╩aximum-margin）。然而，在實(shí)踐中，用線性核函數(shù)的SVM和邏輯回歸是沒(méi)有很大的不同的（如果你有興趣，你可以觀察Andrew Ng在他的Coursera機(jī)器學(xué)習(xí)課程如何從邏輯回歸中驅(qū)動(dòng)SVM）。用SVM代替邏輯回歸的一個(gè)主要原因可能是因?yàn)槟愕膯?wèn)題線性不可分。在這種情況下，你將不得不使用有非線性內(nèi)核的SVM（如RBF）。事實(shí)上，邏輯回歸也可以伴隨不同的內(nèi)核使用，但出于實(shí)際原因你更可能選擇SVM。另一個(gè)使用SVM的相關(guān)理由可能是高維空間。例如，SVM已經(jīng)被報(bào)道在工作文本分類(lèi)方面做得更出色。

不幸的是，SVM的主要缺點(diǎn)是，它們的訓(xùn)練低效到痛苦。所以，對(duì)于有大量訓(xùn)練樣本的任何問(wèn)題，我都不會(huì)推薦SVM。更進(jìn)一步地說(shuō)，我不會(huì)為大多數(shù)“工業(yè)規(guī)?！钡膽?yīng)用程序推薦SVM。任何超出玩具/實(shí)驗(yàn)室的問(wèn)題可能會(huì)使用其他的算法來(lái)更好地解決。

決策樹(shù)集成

第三個(gè)算法家族：決策樹(shù)集成（Tree Ensembles）。這基本上涵蓋了兩個(gè)不同的算法：隨機(jī)森林（RF）和梯度提升決策樹(shù)（GBDT）。它們之間的差異隨后再談，現(xiàn)在先把它們當(dāng)做一個(gè)整體和邏輯回歸比較。

決策樹(shù)集成有超過(guò)LR的不同優(yōu)勢(shì)。一個(gè)主要優(yōu)勢(shì)是，它們并不指望線性特征，甚至是交互線性特性。在LR里我沒(méi)有提到的是，它幾乎不能處理分類(lèi)（二進(jìn)制）特性。而決策樹(shù)集成因?yàn)閮H僅是一堆決策樹(shù)的結(jié)合，可以非常好地處理這個(gè)問(wèn)題。另一主要優(yōu)點(diǎn)是，因?yàn)樗鼈儤?gòu)造了（使用bagging或boosting）的算法，能很好地處理高維空間以及大量的訓(xùn)練實(shí)例。

至于RF和GBDT之間的差別，可以簡(jiǎn)單理解為GBDT的性能通常會(huì)更好，但它們更難保證正確。更具體而言，GBDT有更多的超參數(shù)需要調(diào)整，并且也更容易出現(xiàn)過(guò)度擬合。RF幾乎可以“開(kāi)箱即用”，這是它們非常受歡迎的一個(gè)原因。

深度學(xué)習(xí)

最后但并非最不重要，沒(méi)有深度學(xué)習(xí)的次要參考，這個(gè)答案將是不完整的。我絕對(duì)不會(huì)推薦這種方法作為通用的分類(lèi)技術(shù)。但是，你可能會(huì)聽(tīng)說(shuō)這些方法在某些情況下（如圖像分類(lèi)）表現(xiàn)如何。如果你已經(jīng)通過(guò)了前面的步驟并且感覺(jué)你的解決方案還有優(yōu)化的空間，你可能?chē)L試使用深度學(xué)習(xí)方法。事實(shí)是，如果你使用一個(gè)開(kāi)源工具（如Theano）實(shí)現(xiàn)，你會(huì)知道如何使這些方法在你的數(shù)據(jù)集中非?？斓貓?zhí)行。

總結(jié)

綜上所述，先用如邏輯回歸一樣簡(jiǎn)單的方法設(shè)定一個(gè)基準(zhǔn)，如果你需要，再使問(wèn)題變得更加復(fù)雜。這一點(diǎn)上，決策樹(shù)集成可能正是要走的正確道路，特別是隨機(jī)森林，它們很容易調(diào)整。如果你覺(jué)得還有改進(jìn)的余地，嘗試GBDT，或者更炫一些，選擇深度學(xué)習(xí)。

你還可以看看Kaggle比賽。如果你搜索關(guān)鍵字“分類(lèi)”，選擇那些已經(jīng)完成的，你能找到一些類(lèi)似的東西，這樣你可能會(huì)知道選擇一個(gè)什么樣的方法來(lái)贏得比賽。在這一點(diǎn)上，你可能會(huì)意識(shí)到，使用集成方法總?cè)菀装咽虑樽龊?。?dāng)然集成的唯一問(wèn)題，是需要保持所有獨(dú)立的方法并行地工作。這可能是你的最后一步，花哨的一步。

編輯點(diǎn)評(píng)：Xavier Amatriain不推薦深度學(xué)習(xí)為通用算法的理由，并不能說(shuō)是因?yàn)樯疃葘W(xué)習(xí)不好，而是因?yàn)樯疃葘W(xué)習(xí)會(huì)增加復(fù)雜性及成本，卻無(wú)法保證在所有的場(chǎng)景表現(xiàn)出比邏輯回歸、SVM及決策樹(shù)集成更優(yōu)的結(jié)果。事實(shí)上，Xavier Amatriain的Netflix團(tuán)隊(duì)早已開(kāi)始研究人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)技術(shù)，希望借助AWS云服務(wù)和GPU加速的分布式神經(jīng)網(wǎng)絡(luò)，分析網(wǎng)民最?lèi)?ài)看的電影電視劇，實(shí)現(xiàn)節(jié)目的個(gè)性化推薦。

Netflix推薦系統(tǒng)架構(gòu)（圖片來(lái)自Xavier Amatrain參與撰寫(xiě)的Netflix官方博客）

此后，Xavier Amatriain還分享了Netflix機(jī)器學(xué)習(xí)實(shí)踐的十大經(jīng)驗(yàn)教訓(xùn)，大致包括：

• 更多的數(shù)據(jù)需要與更好的模型之匹配
• 你可能不需要所有的大數(shù)據(jù)
• 更復(fù)雜的模型未必意味著更好的結(jié)果，可能是你的樣本集太簡(jiǎn)單
• 要充分考慮你的訓(xùn)練數(shù)據(jù)
• 學(xué)會(huì)處理偏差
• UI是聯(lián)系算法和最重要的用戶之間唯一通道
• 正確的演進(jìn)方式比數(shù)據(jù)和模型更重要
• 分布式算法重要，知道在哪個(gè)層級(jí)使用它更重要
• 選擇合適的度量自動(dòng)超參數(shù)優(yōu)化
• 并非所有的事都能離線完成，近線處理也是一種選擇

原文出處： Quora???譯文出處：ITEYE

End.

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書(shū)面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。