解決現實世界問題的四大機器學習策略

原文: Four machine learning strategies for solvingreal-world problems

來: https://blogs.sas.com/content/subconsciousmusings/2018/10/17/four-machine-learning-strategies-for-solving-real-world-problems/

導讀：

有的線上學習演演算法還會“適應”，即隨時調整模型，跟隨或追蹤資料的變化。具體而言，它們會逐漸“遺忘”過時資料，從而適用於環境/模型隨時變動的應用程式。

原文翻譯：

機器學習有四種廣受認可的形式：監督式、無監督式、半監督式和強化式。在研究文獻中，這些形式得到了深入的探討。它們也被納入了大多數機器學習演演算法的入門課程。下表對這四種形式作了總結。

Style of Learning	Definition	Characteristic	Examples
Supervised	Supervised learning algorithms make predictions based on a set of examples.	Data has known labels.	Insurance underwriting and fraud
Unsupervised	With unsupervised learning, there is a focus on finding patterns and gaining insight from data.	Labels or output are unknown.	Customer clustering and market basket analysis
Semi-supervised	With semi-supervised learning, you use unlabeled examples with a small amount of labeled data to improve the learning accuracy.	Labels or output are known for a subset of data.	Medical predictions where tests and expert diagnoses are expensive and only part of the population receives them.
Reinforcement	Reinforcement learning analyzes and optimizes the behavior of an agent based on the feedback from the environment.	Focus on making decisions based on previous experience.	Robotics, gaming, navigation, complex decision problems and reward systems.

但一個並不廣為人知的概念是機器學習策略，即以創造性的方式，運用基本的機器學習演演算法，解決現實世界問題。我對這些策略產生了濃厚的興趣。在這篇文章中，我將探討四種策略：線上學習、遷移學習、整合學習和深度學習。好在，這四項策略適用於表格中任意一種機器學習形式。

一、線上學習

線上學習使用瞬息萬變的資料。這類模型跟著資料及時更新，並不儲存先前的資料。有的線上學習演演算法還會“適應”，即隨時調整模型，跟隨或追蹤資料的變化。具體而言，它們會逐漸“遺忘”過時資料，從而適用於環境/模型隨時變動的應用程式。批次（或離線）學習使用靜態的資料，可以充當線上學習的熱身。在批次學習中，模型一次性完成所有資料的學習。很多線上學習演演算法使用一個批次/離線演演算法（以一小批資料為基礎），為模型作啟動前的熱身。這種做法可以顯著加快演演算法的收斂（convergence）速度。

二、遷移學習

遷移學習將一個領域的知識應用到另一個領域。它將舊的資料、模型和引數用於新問題的解決，對於機器學習模型的終身學習而言至關重要。遷移學習是人與生俱來的能力。舉個例子，我們會將已經掌握的語言知識（詞彙、語法等），應用到新語言的學習中。兩種語言越是接近，知識遷移就越簡單。

三、整合學習

單學習器模型只用一個學習器（演演算法），而整合學習使用多個學習器。一般的整合演演算法包含梯度提升、引導聚集、決策森林、堆疊整合和超級學習器。整合學習可以結合相對較弱（很多情況下，預測精度只略高於隨機猜測）的學習器，產生強大、準確的模型。

四、深度學習

深度學習包含多個層，可以學習資料的層級化或多尺度特徵。與之相對的是“淺層學習”，即簡單地運用普通的機器學習建模演演算法。通常，淺層學習離不開特徵工程（feature engineering），以保障輸入以適當的形式呈現給模型，而深度學習在訓練時，就自然而然地學會了這些特徵。

在用機器學習演演算法解決日常業務難題時，機器學習策略是我們要考慮的又一個方面。

「完」

本次轉自：品覺微信公眾號（pinjueche.com）