Machine learning 机器学习算法：哪个算法适用于哪个问题？

我是机器学习领域的新手，我注意到有很多算法/算法集可以使用：支持向量机、决策树、朴素贝叶斯、感知器等。。。 这就是为什么我想知道应该使用哪个算法来解决哪个问题？换句话说，哪个算法解决哪个问题类

所以我的问题是，如果你知道一个好的网站或书，重点是这个算法选择问题

任何帮助都将不胜感激。Thx提前

---

霍勒斯

很难回答“哪种算法适用于哪种问题？”

这种能力需要大量的经验和知识。所以我建议，你应该读一些关于机器学习的好书。也许，下面这本书将是一个很好的起点

一旦你有了一些关于机器学习的知识，你就可以解决几个简单的机器学习问题了。这是一个很好的起点。它由属于三种鸢尾属植物的若干特征组成。最初开发一个简单的机器学习模型（如逻辑回归）来对虹膜物种进行分类，然后逐渐地您可以使用更高级的模型，如

采取行动。它完美地组合在一起，解释了不同类型的ML算法之间的差异，给出了何时使用每种算法的建议，并且包含了对实践者和数学有用的材料（如果您需要的话）。我自己也在学习机器学习，这是迄今为止最有用的资源

---

（另一条你可能觉得有用的建议是考虑学习Python）。这是基于我在早期阶段没有开始学习Python并排除了许多基于Python的书籍、网页、SDK等的错误。事实证明，Python很容易拾取，至少从我个人的观点来看，广泛使用。机器学习和数据科学社区中的d。）

@TooTone：我认为机器学习在行动中可以帮助OP决定使用哪种技术来解决特定问题，因为这本书对不同的ML算法以及优缺点和“使用”进行了清晰的分类我同意代码有点难读，尤其是对于那些不习惯矩阵运算的人来说。有很多年的研究浓缩到一个10行的Python程序中，所以要做好准备，理解它需要一天的时间（至少对我来说）作为一个简单的起始位置，我考虑了我所拥有的输入和输出结果，在任何情况下都会缩小选择。例如，如果我有类别，而不是每个输入的数字和目标类别，决策树是一个好主意。如果我没有目标，我只能进行聚类。如果我有数字输入和一个数字。erical output我可以使用神经网络或其他类型的回归。我也可以使用生成回归方程的决策树。这之后还有更多的问题要问，但这是一个很好的开始。

遵循DZone Refcard可能也会有帮助……但最终你必须深入了解每一个细节。

scikit-learn.org发布了这张信息图表，即使您不使用sklearn库，也会有所帮助

---

没有免费午餐-不久前，我读了一篇文章，其中包含一个“备忘单”。可以找到这篇文章，重点介绍python模块scikits learn的使用。另一本书可能是作者（Peter Harrington）写的《机器学习在行动》介绍几种机器学习算法，包括它们的适用性。MLAPP可能是目前最好的通用ML理论书籍，只要你有一些callege math，它就没有其他一些书籍那么吓人。这本书在线免费提供也很好（但不像Murphy的书那样平易近人）。在《你想让机器学习更实用》一书中，+1提到Andrew Ng的cousera课程——我去年做了这件事，这对初学者来说真的是一个易懂的介绍。我读了《黑客机器学习》一书，其中使用了R，因为我知道一些R，但事后我希望读一下《机器学习实用》，它使用python，因为python似乎更为主流，而且Peter Harrington的书总体上有更为良好的评论。然而，这两本书在编辑、代码可读性等方面似乎都存在问题。似乎有几本关于ML的理论性很强的书，如Upul推荐的，但没有真正突出的p破碎的。