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

菩缇紫mariposa 2021-09-18 16:44 457 次浏览 赞 78

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。



    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

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