大数据分析到底需要多少种工具?
大数据分析到底需要多少种工具? 摘要JMLR杂志上最近有一篇论文,作者比较了179种不同的分类学习方法(分类学习算法)在121个数据集上的性
最新问答
- 装饰小板凳
大分析到底需要多少种工具?
摘要
JMLR杂志上最近有一篇论文,作者比较了179种不同的分类学习方法(分类学习算法)在121个集上的性能,发现Random Forest(随机森林)和SVM(支持向量机)分类准确率最高,在大多数情况下超过其他方法。本文针对“大分析到底需要多少种工具?”这一问题展开讨论,总结机器学习领域多年来积累的经验规律,继而导出大分析应该采取的策略。
1.分类方法大比武
大分析主要依靠机器学习和大规模计算。机器学习包括监督学习、非监督学习、强化学习等,而监督学习又包括分类学习、回归学习、排序学习、匹配学习等(见图1)。分类是最常见的机器学习应用问题,比如邮件过滤、人脸检测、用户画像、文本情感分析、网页归类等,本质上都是分类问题。分类学习也是机器学习领域,研究最彻底、使用最广泛的一个分支。
机器学习
图1 机器学习分类体系
最近、Fernández-Delgado等人在JMLR(Journal of Machine Learning Research,机器学习顶级期刊)杂志发表了一篇有趣的论文。他们让179种不同的分类学习方法(分类学习算法)在UCI 121个集上进行了“大比武”(UCI是机器学习公用集,每个集的规模都不大)。结果发现Random Forest(随机森林)和SVM(支持向量机)名列第一、第二名,但两者差异不大。在84.3%的上、Random Forest压倒了其它90%的方法。也就是说,在大多数情况下,只用Random Forest 或 SVM事情就搞定了。
2.几点经验总结
大分析到底需要多少种机器学习的方法呢?围绕着这个问题,我们看一下机器学习领域多年得出的一些经验规律。
大分析性能的好坏,也就是说机器学习预测的准确率,与使用的学习算法、问题的性质、集的特性包括规模、特征等都有关系。
一般地,Ensemble方法包括Random Forest和AdaBoost、SVM、Logistic Regression 分类准确率最高。
没有一种方法可以“包打天下”。Random Forest、SVM等方法一般性能最好,但不是在什么条件下性能都最好。
不同的方法,当规模小的时候,性能往往有较大差异,但当规模增大时,性能都会逐渐提升且差异逐渐减小。也就是说,在大条件下,什么方法都能work的不错。参见图2中Blaco & Brill的实验结果。
对于简单问题,Random Forest、SVM等方法基本可行,但是对于复杂问题,比如语音识别、图像识别,最近流行的深度学习方法往往效果更好。深度学习本质是复杂模型学习,是今后研究的重点。
在实际应用中,要提高分类的准确率,选择特征比选择算法更重要。好的特征会带来更好的分类结果,而好的特征的提取需要对问题的深入理解。
大
图2 不同机器学习方法在集增大时的学习曲线。
3.应采取的大分析策略
建立大分析平台时,选择实现若干种有代表性的方法即可。当然,不仅要考虑预测的准确率,还有考虑学习效率、开发成本、模型可读性等其他因素。大分析平台固然重要,同时需要有一批能够深入理解应用问题,自如使用分析工具的工程师和分析人员。
只有善工利器,大分析才能真正发挥威力。浏览 201赞 117时间 2023-01-15
相关问答
-
大数据分析到底需要多少种工具?
-
大数据分析,大数据开发,数据挖掘 所用到技术和工具?
-
大数据分析一般用什么工具分析
-
大数据分析一般用什么工具分析?
-
大数据分析用什么工具好
-
大数据技术和数据分析到底有什么关系?
-
excel数据分析工具进行多元回归分析文献有哪些
-
大数据开发需要多少词汇量?
-
做大数据分析一般用什么工具呢?
-
宇宙到底有多大?(具体数字)
-
常用的数据分析工具有哪些
-
考大连理工大学需要多少分?
-
spss数据分析。本人因写论文需要用到spss。
-
WPS表中没数据分析工具怎么办?
-
订购SCI数据库需要多少钱
-
大数据时代,数据到底怎么用
-
医学论文发表到底需要多少钱
-
大数据分析和人工智能到底有什么区别,它们不是一回事
-
论文中需求分析大概要占多少字
-
spss.写论文需要用spss分析数据。
大数据分析到底需要多少种工具?
大数据分析到底需要多少种工具? 摘要JMLR杂志上最近有一篇论文,作者比较了179种不同的分类学习方法(分类学习算法)在121个数据集上的性