原标题：各种机器学习的应用场景分别是什么？
雷锋网按：本文作者xyzh，本文整理自作者在知乎问题《各种机器学习的应用场景分别是什么？》下的回答， 雷锋网获其授权发布。
关于这个问题我今天正好看到了这个文章，讲的正是各个算法的优劣分析，很中肯。
正好14年的时候有人做过一个实验[1]，比较在不同数据集上（121个），不同的分类器（179个）的实际效果。
论文题为：Do we Need Hundreds of Classifiers to Solve Real World Classification Problems?
实验时间有点早，我尝试着结合我自己的理解、一些最近的实验，来谈一谈吧。主要针对分类器(Classifier)。
写给懒得看的人：
没有最好的分类器，只有最合适的分类器。
随机森林平均来说最强，但也只在9.9%的数据集上拿到了第一，优点是鲜有短板。
SVM的平均水平紧随其后，在10.7%的数据集上拿到第一。
神经网络（13.2%）和boosting（~9%）表现不错。
数据维度越高，随机森林就比AdaBoost强越多，但是整体不及SVM[2]。
数据量越大，神经网络就越强。
近邻 (Nearest Neighbor)
典型的例子是KNN，它的思路就是——对于待判断的点，找到离它最近的几个数据点，根据它们的类型决定待判断点的类型。
它的特点是完全跟着数据走，没有数学模型可言。
适用情景：
需要一个特别容易解释的模型的时候。
比如需要向用户解释原因的推荐算法。
贝叶斯 (Bayesian)
典型的例子是Naive Bayes，核心思路是根据条件概率计算待判断点的类型。
是相对容易理解的一个模型，至今依然被垃圾邮件过滤器使用。
适用情景：
需要一个比较容易解释，而且不同维度之间相关性较小的模型的时候。
可以高效处理高维数据，虽然结果可能不尽如人意。
决策树 (Decision tree)
决策树的特点是它总是在沿着特征做切分。随着层层递进，这个划分会越来越细。
虽然生成的树不容易给用户看，但是数据分析的时候，通过观察树的上层结构，能够对分类器的核心思路有一个直观的感受。
举个简单的例子，当我们预测一个孩子的身高的时候，决策树的第一层可能是这个孩子的性别。男生走左边的树进行进一步预测，女生则走右边的树。这就说明性别对身高有很强的影响。
适用情景：
因为它能够生成清晰的基于特征(feature)选择不同预测结果的树状结构，数据分析师希望更好的理解手上的数据的时候往往可以使用决策树。
同时它也是相对容易被攻击的分类器[3]。这里的攻击是指人为的改变一些特征，使得分类器判断错误。常见于垃圾邮件躲避检测中。因为决策树最终在底层判断是基于单个条件的，攻击者往往只需要改变很少的特征就可以逃过监测。
受限于它的简单性，决策树更大的用处是作为一些更有用的算法的基石。
随机森林 (Random forest)
提到决策树就不得不提随机森林。顾名思义，森林就是很多树。
严格来说，随机森林其实算是一种集成算法。它首先随机选取不同的特征(feature)和训练样本(training sample)，生成大量的决策树，然后综合这些决策树的结果来进行最终的分类。
随机森林在现实分析中被大量使用，它相对于决策树，在准确性上有了很大的提升，同时一定程度上改善了决策树容易被攻击的特点。
适用情景：
数据维度相对低（几十维），同时对准确性有较高要求时。
因为不需要很多参数调整就可以达到不错的效果，基本上不知道用什么方法的时候都可以先试一下随机森林。
SVM (Support vector machine)
SVM的核心思想就是找到不同类别之间的分界面，使得两类样本尽量落在面的两边，而且离分界面尽量远。
最早的SVM是平面的，局限很大。但是利用核函数(kernel function)，我们可以把平面投射(mapping)成曲面，进而大大提高SVM的适用范围。
提高之后的SVM同样被大量使用，在实际分类中展现了很优秀的正确率。
适用情景：
SVM在很多数据集上都有优秀的表现。
相对来说，SVM尽量保持与样本间距离的性质导致它抗攻击的能力更强。
和随机森林一样，这也是一个拿到数据就可以先尝试一下的算法。
逻辑斯蒂回归 (Logistic regression)
逻辑斯蒂回归这个名字太诡异了，我就叫它LR吧，反正讨论的是分类器，也没有别的方法叫LR。顾名思义，它其实是回归类方法的一个变体。
回归方法的核心就是为函数找到最合适的参数，使得函数的值和样本的值最接近。例如线性回归(Linear regression)就是对于函数f(x)=ax+b，找到最合适的a,b。
LR拟合的就不是线性函数了，它拟合的是一个概率学中的函数，f(x)的值这时候就反映了样本属于这个类的概率。
适用情景：
LR同样是很多分类算法的基础组件，它的好处是输出值自然地落在0到1之间，并且有概率意义。
因为它本质上是一个线性的分类器，所以处理不好特征之间相关的情况。
虽然效果一般，却胜在模型清晰，背后的概率学经得住推敲。它拟合出来的参数就代表了每一个特征(feature)对结果的影响。也是一个理解数据的好工具。
判别分析 (Discriminant analysis)
判别分析主要是统计那边在用，所以我也不是很熟悉，临时找统计系的闺蜜补了补课。这里就现学现卖了。
判别分析的典型例子是线性判别分析(Linear discriminant analysis)，简称LDA。
（这里注意不要和隐含狄利克雷分布(Latent Dirichlet allocation)弄混，虽然都叫LDA但说的不是一件事。）
LDA的核心思想是把高维的样本投射(project)到低维上，如果要分成两类，就投射到一维。要分三类就投射到二维平面上。这样的投射当然有很多种不同的方式，LDA投射的标准就是让同类的样本尽量靠近，而不同类的尽量分开。对于未来要预测的样本，用同样的方式投射之后就可以轻易地分辨类别了。
使用情景：
判别分析适用于高维数据需要降维的情况，自带降维功能使得我们能方便地观察样本分布。它的正确性有数学公式可以证明，所以同样是很经得住推敲的方式。
但是它的分类准确率往往不是很高，所以不是统计系的人就把它作为降维工具用吧。
同时注意它是假定样本成正态分布的，所以那种同心圆形的数据就不要尝试了。
神经网络 (Neural network)
神经网络现在是火得不行啊。它的核心思路是利用训练样本(training sample)来逐渐地完善参数。还是举个例子预测身高的例子，如果输入的特征中有一个是性别（1:男；0:女），而输出的特征是身高（1:高；0:矮）。那么当训练样本是一个个子高的男生的时候，在神经网络中，从“男”到“高”的路线就会被强化。同理，如果来了一个个子高的女生，那从“女”到“高”的路线就会被强化。
最终神经网络的哪些路线比较强，就由我们的样本所决定。
神经网络的优势在于，它可以有很多很多层。如果输入输出是直接连接的，那它和LR就没有什么区别。但是通过大量中间层的引入，它就能够捕捉很多输入特征之间的关系。卷积神经网络有很经典的不同层的可视化展示(visulization)，我这里就不赘述了。
神经网络的提出其实很早了，但是它的准确率依赖于庞大的训练集，原本受限于计算机的速度，分类效果一直不如随机森林和SVM这种经典算法。
使用情景：
数据量庞大，参数之间存在内在联系的时候。
当然现在神经网络不只是一个分类器，它还可以用来生成数据，用来做降维，这些就不在这里讨论了。
Rule-based methods
这个我是真不熟，都不知道中文翻译是什么。
它里面典型的算法是C5.0 Rules，一个基于决策树的变体。因为决策树毕竟是树状结构，理解上还是有一定难度。所以它把决策树的结果提取出来，形成一个一个两三个条件组成的小规则。
使用情景：
它的准确度比决策树稍低，很少见人用。大概需要提供明确小规则来解释决定的时候才会用吧。
提升算法（Boosting）
接下来讲的一系列模型，都属于集成学习算法(Ensemble Learning)，基于一个核心理念：三个臭皮匠，顶个诸葛亮。
翻译过来就是：当我们把多个较弱的分类器结合起来的时候，它的结果会比一个强的分类器更
典型的例子是AdaBoost。
AdaBoost的实现是一个渐进的过程，从一个最基础的分类器开始，每次寻找一个最能解决当前错误样本的分类器。用加权取和(weighted sum)的方式把这个新分类器结合进已有的分类器中。
它的好处是自带了特征选择（feature selection），只使用在训练集中发现有效的特征(feature)。这样就降低了分类时需要计算的特征数量，也在一定程度上解决了高维数据难以理解的问题。
最经典的AdaBoost实现中，它的每一个弱分类器其实就是一个决策树。这就是之前为什么说决策树是各种算法的基石。
使用情景：
好的Boosting算法，它的准确性不逊于随机森林。虽然在[1]的实验中只有一个挤进前十，但是实际使用中它还是很强的。因为自带特征选择（feature selection）所以对新手很友好，是一个“不知道用什么就试一下它吧”的算法。
装袋算法（Bagging）
同样是弱分类器组合的思路，相对于Boosting，其实Bagging更好理解。它首先随机地抽取训练集（training set），以之为基础训练多个弱分类器。然后通过取平均，或者投票(voting)的方式决定最终的分类结果。
因为它随机选取训练集的特点，Bagging可以一定程度上避免过渡拟合(overfit)。
在[1]中，最强的Bagging算法是基于SVM的。如果用定义不那么严格的话，随机森林也算是Bagging的一种。
使用情景：
相较于经典的必使算法，Bagging使用的人更少一些。一部分的原因是Bagging的效果和参数的选择关系比较大，用默认参数往往没有很好的效果。
虽然调对参数结果会比决策树和LR好，但是模型也变得复杂了，没事有特别的原因就别用它了。
Stacking
这个我是真不知道中文怎么说了。它所做的是在多个分类器的结果上，再套一个新的分类器。
这个新的分类器就基于弱分类器的分析结果，加上训练标签(training label)进行训练。一般这最后一层用的是LR。
Stacking在[1]里面的表现不好，可能是因为增加的一层分类器引入了更多的参数，也可能是因为有过渡拟合(overfit)的现象。
使用情景：
@庄岩提醒说stacking在数据挖掘竞赛的网站kaggle上很火，相信参数调得好的话还是对结果能有帮助的。
这篇文章很好地介绍了stacking的好处。在kaggle这种一点点提升就意味着名次不同的场合下，stacking还是很有效的，但是对于一般商用，它所带来的提升就很难值回额外的复杂度了。）
多专家模型（Mixture of Experts）
最近这个模型还挺流行的，主要是用来合并神经网络的分类结果。我也不是很熟，对神经网络感兴趣，而且训练集异质性（heterogeneity）比较强的话可以研究一下这个。
讲到这里分类器其实基本说完了。讲一下问题里面其他一些名词吧。
最大熵模型 (Maximum entropy model)
最大熵模型本身不是分类器，它一般是用来判断模型预测结果的好坏的。
对于它来说，分类器预测是相当于是：针对样本，给每个类一个出现概率。比如说样本的特征是：性别男。我的分类器可能就给出了下面这样一个概率：高（60%），矮（40%）。
而如果这个样本真的是高的，那我们就得了一个分数60%。最大熵模型的目标就是让这些分数的乘积尽量大。
LR其实就是使用最大熵模型作为优化目标的一个算法[4]。
EM
就像最大熵模型一样，EM不是分类器，而是一个思路。很多算法都是基于这个思路实现的。
@刘奕驰 已经讲得很清楚了，我就不多说了。
隐马尔科夫 (Hidden Markov model)
这是一个基于序列的预测方法，核心思想就是通过上一个（或几个）状态预测下一个状态。
之所以叫“隐”马尔科夫是因为它的设定是状态本身我们是看不到的，我们只能根据状态生成的结果序列来学习可能的状态。
适用场景：
可以用于序列的预测，可以用来生成序列。
条件随机场 (Conditional random field)
典型的例子是linear-chain CRF。
具体的使用@Aron有讲，我就不献丑了，因为我从来没用过这个。
相关的文章：
,各种机器学习的应用场景分别是什么林二汶 ？[1]: Do we need hundreds of classifiers to solve real world classification problems.
Fernández-Delgado, Manuel, et al. J. Mach. Learn. Res 15.1 (2014)
[2]: An empirical evaluation of supervised learning in high dimensions.
Rich Caruana, Nikos Karampatziakis, and Ainur Yessenalina. ICML '08
[3]: Man vs. Machine: Practical Adversarial Detection of Malicious Crowdsourcing Workers
Wang, G., Wang, T., Zheng, H., & Zhao, B. Y. Usenix Security'14
< /blockquote>
相关：
MAX-Q设计解读 NVIDIA黑科技造福游戏本今年5月，老黄带来了新轻薄游戏本的解决方案——MAX-Q设计。通过该设计，游戏本可以更加轻薄、机器内部的散热性能得到了更多优化、显卡的性能也更加出色。那么，NVIDIA这项技术究竟有什么黑科技呢？ 去年的GTX 10系显卡回春 MAX-Q设计成为5月焦点 转眼间，2017年就要接近尾声了。很多科技厂商都在今年搞了一些大事情，比如Intel，今年发布了第八代酷睿处理器、AMD则发布了Ryzen处理器和Vega显卡。而NVDIA，在今年5月份发布..
所有在朋友圈转发这些文章的，都杀了人原标题：所有在朋友圈转发这些文章的，都杀了人 都说“流言止于智者”，但如今这年头，智者进了朋友圈，也只有被吊打的份。因为智者追求的是真相，而民众要的是感动、愤怒、鄙视和共鸣。 1如果有人问我，你最讨厌的是什么？我一定会在半秒内做出回答：被人冤枉。扣在我头上长达三年的“花心渣男”帽子，就是这么来的。事情很简单：大二那年堂妹到我这里旅游，爸妈嘱咐要好好招待，于是我陪她订了旅店，付了房费，没想到这过程被..
印尼渔业机构扣留中国渔船 外交部回应原标题：【印尼渔业机构扣留中国渔船】外交部：已通过外交渠道进行沟通交涉据报道，近日，印度尼西亚的渔业机构以在相关海域进行非法作业为由，扣留了一艘中国渔船。中国外交部发言人耿爽在今天（6日）的例行记者会上表示，中方有关部门正在处理相关事件，希望此事能够妥善解决。?外交部发言人耿爽：这艘渔船是经东帝汶政府批准在相关的海域进行作业，我们已经通过外交渠道同印尼、东帝汶等方面进行沟通交涉，推动此事能够妥善解..
贵州茅台、中国平安等今日均出现溢价大宗交易摘要 【贵州茅台、中国平安等今日均出现溢价大宗交易】12月6日，贵州茅台等多只大盘蓝筹股出现溢价大宗交易。（证券时报） 12月6日，贵州茅台等多只大盘蓝筹股出现溢价大宗交易。其中，贵州茅台发生4笔大宗交易，其中一笔的成交价格为633元，相比当日收盘价溢价1.18%，成交量为1.8万股，成交额1139.4万元，其余3笔的成交价格均为625..
12月6日晚间上市公司利好消息一览（附名单）摘要 沪深两市多家上市公司12月6日晚间发布重要公告，以下为利好的消息汇总。 沪深两市多家上市公司12月6日晚间发布重要公告，以下为利好的消息汇总： 大宗交易)增持公司股份，买入金额不低于5000万元，买入股份数量不超过公司已发行总股本2%(即不超过2546.9874万股)，资金来源为本人自有资金或自筹资金。 (责任编辑：DF062)
这是两台搭载了骁龙835的Win 10笔记本在夏威夷的高通骁龙技术峰会上，两台搭载骁龙 835 平台的 Win 10 笔记本亮相了——华硕 NovaGo 以及惠普 Envy x2。 华硕的 NovaGo 搭载了骁龙 835 处理器，有 4/6/8GB 内存以及 64/128/256GB 存储空间可选。X16 基带使得它拥有千兆 LTE 上网能力，并且可以始终开启、始终连接，而且还可以带来优秀的续航表现。 （接口很够用） 屏幕方面，NovaGo 配备了一块 13.3 英寸的 1080p 显示屏..
谷歌又调皮了，整了些不存在的东西，快来试试吧！ 作为一个超有趣的科技公司~ 谷歌时不时会推出一些超有意思，还带点儿可爱的产品。 小辣椒就被他们最近推出的 Paper Signals 戳中了萌点 Paper Signals 这是谷歌最新的一项实验项目~你有想过一个物体，能通过动作，回应你的语音指令吗？ Paper Signals 就可以！ 在连接上手机谷歌语音助手（安卓、iOS 均可用）后，Paper Signals 会对语音指令做出相应的动作反馈。 例如，问问它有么有下雨，伞..
极致客厅娱乐设备 NVIDIA SHIELD登陆中国原标题：极致客厅娱乐设备 NVIDIA SHIELD登陆中国 说起NVIDIA的SHIELD，很多人可能很陌生，而即使听说过SHIELD的玩家们，印象可能还停留在初代那个有着惊艳设计的掌机上。这也难怪，由于一些大背景的限制，NVIDIASHIELD自2013年诞生起就一直未能引进大陆，因而其在玩家视线中只是惊鸿一瞥，未能引起较大波澜。 其实NVIDIA也一直在摸索SHIELD的发展道路：一代是掌机、二代是平板、三代是主机+机顶盒，终于，经历了三代的..
惊险！商人遭遇抢劫中枪 而这部国产手机救了他原标题：惊险！商人遭遇抢劫中枪 而这部国产手机救了他 中关村在线消息：你可能听过很多次手机挡下子弹，保人性命的故事，不过主角多半都是苹果和三星，而近日发生的一件事让人惊心动魄，这次主角也换成了国产品牌华为。 亚伯拉罕斯在讲述经历 博主@笑趴了在微博上讲述了一段离奇的故事，一位41岁的商人亚伯拉罕斯在南非遭遇两名匪徒持枪抢劫，其中一人向他开枪，亚伯拉罕斯随即倒下，15万英镑现金也不翼而飞，但让人意想..
大屏潮流不可挡 双十二热门大屏电视推荐原标题：大屏潮流不可挡 双十二热门大屏电视推荐 大屏已经成为目前消费者选购电视最关键的热点。随着人们生活水平的不断提升，客厅娱乐的不断升级，如果家里面还摆放着40英寸这样尺寸的电视，确实感觉不是很配套。60英寸目前被称为电视的黄金尺寸，大屏电视不仅观看时更加震撼，摆放在客厅中也让主人更有面子。 双十二热门大屏电视推荐 现在市面上大部分电视产品分辨率上已经提升至4K水平，同时新画质技术的不断加入，让..