機器學(xué)習(xí)中算法與模型的區(qū)別

轉(zhuǎn)載自 | Datawhale

機器學(xué)習(xí)中的“算法”是在數(shù)據(jù)上運行以創(chuàng)建機器學(xué)習(xí)“模型”的過程。

機器學(xué)習(xí)算法執(zhí)行“模式識別”。算法從數(shù)據(jù)中“學(xué)習(xí)”，或者對數(shù)據(jù)集進行“擬合”。

機器學(xué)習(xí)算法有很多。比如，我們有分類的算法，如 K- 近鄰算法；回歸的算法，如線性回歸；聚類的算法，如 K- 均值算法。

下面是機器學(xué)習(xí)算法的例子：

• 線性回歸

• 邏輯回歸

• 決策樹

• 人工神經(jīng)網(wǎng)絡(luò)

• K- 最近鄰

• K- 均值

你可以把機器學(xué)習(xí)算法想象成計算機科學(xué)中的任何其他算法。

例如，你可能熟悉的一些其他類型的算法包括用于數(shù)據(jù)排序的冒泡排序和用于搜索的最佳優(yōu)先排序。

因此，機器學(xué)習(xí)算法具有許多特性：

• 機器學(xué)習(xí)計算法可以用數(shù)學(xué)和偽代碼來描述。

• 可以對機器學(xué)習(xí)算法的效率進行分析和描述。

• 機器學(xué)習(xí)算法可以用任何一種現(xiàn)代編程語言來實現(xiàn)。

例如，你可能會在研究論文和教科書中看到用偽代碼或 線性代數(shù) 描述的機器學(xué)習(xí)算法。你可以看到一個特定的機器學(xué)習(xí)算法與另一個特性算法相比的計算效率。

學(xué)術(shù)界可以設(shè)計出全息你的機器學(xué)習(xí)算法，而機器學(xué)習(xí)實踐者可以在他們的項目中使用標準的機器學(xué)習(xí)算法。這就像計算機科學(xué)的其他領(lǐng)域一樣，學(xué)者可以設(shè)計出全新的排序算法，程序員可以在應(yīng)用程序中使用標準的排序算法。

你還可能會看到多個機器學(xué)習(xí)算法實現(xiàn)，并在一個具有標準 API 的庫中提供。一個流行的例子是 scikit-learn 庫，它在 Python 中提供了許多分類、回歸和聚類機器學(xué)習(xí)算法的實現(xiàn)。

機器學(xué)習(xí)中的“模型”是運行在數(shù)據(jù)上的機器學(xué)習(xí)算法的輸出。

模型表示機器學(xué)習(xí)算法所學(xué)到的內(nèi)容。

模型是在訓(xùn)練數(shù)據(jù)上運行機器學(xué)習(xí)算法后保存的“東西”，它表示用于進行預(yù)測所需的規(guī)則、數(shù)字和任何其他特定于算法的數(shù)據(jù)結(jié)構(gòu)。

我舉一些例子，可能會讓人更清楚地明白這一點：

• 線性回歸算法的結(jié)果是一個由具有特定值的稀疏向量組成的模型。

• 決策樹算法的結(jié)果是一個由具有特定值的 if-then 語句樹組成的模型。

• 神經(jīng)網(wǎng)絡(luò) / 反向傳播 / 梯度下降算法一起產(chǎn)生一個由具有特定值的向量或權(quán)重矩陣和特定值的圖結(jié)構(gòu)組成的模型。

機器學(xué)模型對于初學(xué)者來說更具挑戰(zhàn)性，因為它與計算機科學(xué)中的其他算法沒有明確的類比。

例如，排序算法的排序列表輸出并不是真正的模型。

最好的類比是將機器學(xué)習(xí)模型想象成一個“程序”。

機器學(xué)習(xí)模型“程序”由數(shù)據(jù)和利用數(shù)據(jù)進行預(yù)測的過程組成。

例如，考慮線性回歸算法和由此產(chǎn)生的模型。該模型由系數(shù)（數(shù)據(jù)）向量組成，這些系數(shù)（數(shù)據(jù)）與作為輸入的一行新數(shù)據(jù)相乘并求和，以便進行預(yù)測（預(yù)測過程）。

我們將數(shù)據(jù)保存為機器學(xué)習(xí)模型，以備后用。

我們經(jīng)常使用機器學(xué)習(xí)庫提供的機器學(xué)習(xí)模型的預(yù)測過程。有時候，我們可以自己實現(xiàn)預(yù)測過程作為我們應(yīng)用程序的一部分?？紤]到大多數(shù)預(yù)測過程都非常簡單，這通常都是直截了當(dāng)?shù)摹?span style="max-width: 100%;box-sizing: border-box !important;overflow-wrap: break-word !important;">

現(xiàn)在我們已經(jīng)熟悉了機器學(xué)習(xí)的“算法”和機器學(xué)習(xí)的“模型”。

具體來說，就是對數(shù)據(jù)運行算法來創(chuàng)建模型。

• 機器學(xué)習(xí) =>機器學(xué)習(xí)模型

我們還了解到，模型由數(shù)據(jù)和如何使用數(shù)據(jù)對新數(shù)據(jù)進行預(yù)測的過程組成。如果你愿意的話，你也可以將這一過程視為一種預(yù)測算法。

• 機器學(xué)習(xí)模型 == 模型數(shù)據(jù) + 預(yù)測算法

這種區(qū)分對于理解廣泛的算法非常有幫助。

例如，大多數(shù)算法的所有工作都在“算法”中，而“預(yù)測算法”的工作很少。

通常情況下，算法是某種優(yōu)化程序，即在訓(xùn)練數(shù)據(jù)集上使模型（數(shù)據(jù) + 預(yù)測算法）的誤差最小化。線性回歸算法就是一個很好的例子。它執(zhí)行一個優(yōu)化過程（或用線性代數(shù)進行分析求解），找到一組權(quán)重，使訓(xùn)練數(shù)據(jù)集上的誤差之和平方最小化。

• 算法：在訓(xùn)練數(shù)據(jù)集上找到誤差最小的系數(shù)集。

• 模型：

• 模型數(shù)據(jù)：整個訓(xùn)練數(shù)據(jù)集。

• 預(yù)測算法：找出 K 個最相似的行，取其目標變量的平均值。

有些算法很瑣碎，甚至什么都不做，所有的工作都在模型或預(yù)測算法中。

K- 最近鄰算法除了保存整個訓(xùn)練數(shù)據(jù)集外沒有其他的算法。因此，弄醒數(shù)據(jù)就是整個訓(xùn)練數(shù)據(jù)集，所有的工作都在預(yù)測算法中，即，一行新數(shù)據(jù)如何與保存的訓(xùn)練數(shù)據(jù)集交互以作出預(yù)測。

• 算法：保存訓(xùn)練數(shù)據(jù)。

• 模型：

• 模型數(shù)據(jù)：整個訓(xùn)練數(shù)據(jù)集。

• 預(yù)測過程：找出 K 個最相似的行，取其目標變量的平均值。

你可以把這個分解作為一個框架來理解任何機器學(xué)習(xí)算法。

我們真的只是想要一個機器學(xué)習(xí)的“模型”，而“算法”就是我們獲得模型的路徑。

機器學(xué)習(xí)技術(shù)用于解決其他方法無法有效或高效解決的問題。

例如，如果我們需要將電子郵件分類為垃圾郵件或非垃圾郵件，我們需要一個軟件程序來完成此任務(wù)。

我們可以坐下來，手動查看大量的電子郵件，然后寫 if 語句來完成合格任務(wù)。人們已經(jīng)試過這個方法。事實證明，這種方法是緩慢的、脆弱的，而且效果也不是很好。

相反，我們可以使用機器學(xué)習(xí)技術(shù)來解決這個問題。具體來說，像 樸素貝葉斯（Naive Bayes）這樣的算法就可以從大量的歷史郵件樣本數(shù)據(jù)集中學(xué)習(xí)如何將郵件分類為垃圾郵件和非垃圾郵件。

我們不想要“樸素的貝葉斯”，我們想要樸素貝葉斯給出的模型，就是我們可以用來對郵件進行分類的模型（概率向量和使用概率概率的預(yù)測算法）。我們想要的是模型，而不是用來創(chuàng)建模型的算法。

從這個意義上來說，機器學(xué)習(xí)模型是一個由機器學(xué)習(xí)算法自動編寫、或創(chuàng)建、或?qū)W習(xí)的程序，用來解決我們的問題。

作為開發(fā)人員，我們對人工智能意義上的機器學(xué)習(xí)算法的“學(xué)習(xí)”不太感興趣。我們并不關(guān)心模擬學(xué)習(xí)過程。有些人可能會關(guān)心，這很有趣，但這不是我們使用機器學(xué)習(xí)算法的原因。

相反，我們更看重的是機器學(xué)習(xí)算法提供的自動編程能力更感興趣。我們希望能夠有效地創(chuàng)建一個有效的模型，并將其融入到我們的軟件項目中。

機器學(xué)習(xí)算法執(zhí)行自動編程，而機器學(xué)習(xí)模型是為我們創(chuàng)建的程序。

整理不易，點贊三連↓