CDA數(shù)據(jù)分析師?出品?作者：Ivo Bernardo?編譯：Mika

數(shù)據(jù)分析模型有不同的特點和技術，值得注意的是，大多數(shù)高級的模型都基于幾個基本原理。

當你想開啟數(shù)據(jù)科學家的職業(yè)生涯時，應該學習哪些模型呢？本文中我們介紹了6個在業(yè)界廣泛使用的模型。

目前很多輿論對機器學習和人工智過度追捧，當你想建立預測模型時，這會讓給你不禁思考，是不是只有很高階的技術才能解決問題。

但當你自己試著編程后才會發(fā)現(xiàn)，事實實際并非如此。作為一名數(shù)據(jù)工作者，你面臨的很多問題都需要將幾個模型組合起來解決，而且其中大部分模型已經(jīng)出現(xiàn)了很長時間。

而且，即使你要使用先進的模型來解決問題，學習基本原理會讓你在大多數(shù)情況中占得先機。與此同時，了解這些基礎模型的優(yōu)缺點將幫助你在數(shù)據(jù)分析項目取得成功。

下面我們就來具體看看6個數(shù)據(jù)分析師都應該掌握的預測模型吧。

01 線性回歸

線性回歸比較經(jīng)典的模型之一，英國科學家Francis Galton在19世紀就使用了 "回歸 "一詞，并且仍然是使用數(shù)據(jù)表示線性關系最有效的模型之一。

線性回歸是世界范圍內(nèi)，許多計量經(jīng)濟學課程的主要內(nèi)容。學習該線性模型將讓你在解決回歸問題有方向，并了解如何用數(shù)學知識來預測現(xiàn)象。

學習線性回歸還有其他好處，尤其是當你學習了兩種可以獲得最佳性能的方法時：

· 閉式解 一個神奇的公式，能通過一個簡單的代數(shù)方程給出變量的權重。

· 梯度下降法 面向最佳權重值的優(yōu)化方法，用于優(yōu)化其他類型的算法。

此外，我們可以用簡單的二維圖在實踐中直觀地看到線性回歸，這也使該模型成為理解算法的良好開始。

02?邏輯回歸

雖然名為回歸，但邏輯回歸是掌握分類問題的最佳模型。

學習邏輯回歸有以下幾點優(yōu)勢：

• 初步了解分類和多分類問題，這是機器學習任務的重要部分

• 理解函數(shù)轉(zhuǎn)換，如Sigmoid函數(shù)的轉(zhuǎn)換

• 了解梯度下降的其他函數(shù)的用法，以及如何對函數(shù)進行優(yōu)化。

• 初步了解Log-Loss函數(shù)

  
  

學習完邏輯回歸后，有什么用？你將能夠理解分類問題背后的機制，以及你如何使用機器學習來分離類別。

屬于這方面的問題如下：

• 了解交易是否欺詐

• 了解客戶是否會流失

• 根據(jù)違約概率對貸款進行分類

  
  

就像線性回歸一樣，邏輯回歸也是一種線性算法。在研究了這兩種算法之后，你將了解線性算法背后的主要局限性，同時認識到它們無法代表許多現(xiàn)實世界的復雜性。

03 決策樹

首先要研究的非線性算法應該是決策樹。決策樹是一種基于if-else規(guī)則的，相對簡單且可解釋的算法，它將讓你很好地掌握非線性算法及其優(yōu)缺點。

決策樹是所有基于樹模型的基礎，通過學習決策樹，你還將準備學習其他技術，如XGBoost或LightGBM。

而且，決策樹同時適用于回歸和分類問題，兩者之間的差異最小，選擇影響結(jié)果的最佳變量的基本原理大致相同，你只是換了一個標準來做。

雖然你了解了回歸中超參數(shù)的概念，如正則化參數(shù)，但在決策樹中這是極其重要的，能夠幫你明確區(qū)分模型的好壞。

同時，超參數(shù)在學習機器學習的過程中也至關重要，決策樹能很好地對其進行測試。

04 隨機森林

由于決策樹對超參數(shù)和簡單假設的敏感性，決策樹的結(jié)果相當有限。當你深入了解后，你會明白決策樹很容易過度擬合，從而得出的模型對未來缺乏概括性。

隨機森林的概念非常簡單。有助于在不同的決策樹之間實現(xiàn)多樣化，從而提高算法的穩(wěn)健性。

就像決策樹一樣，你可以配置大量的超參數(shù)，以增強這種集成模型的性能。集成（bagging）是在機器學習中一個非常重要的概念，能為不同的模型帶來了穩(wěn)定性，即用平均數(shù)或投票機制將不同模型的結(jié)果轉(zhuǎn)化為一個單一的方法。

在實踐中，隨機森林訓練了固定數(shù)量的決策樹，并對之前所有這些模型的結(jié)果進行平均。就像決策樹一樣，我們有分類和回歸隨機森林。如果你聽說過 “群體智慧 "這個概念，那么集成模型就相當于將這個概念應用于機器模型訓練。

05 XGBoost/LightGBM

其他基于決策樹的算法，并能帶來穩(wěn)定性的模型有XGBoost或LightGBM。不僅能提升算法，還能提供更穩(wěn)健和概括性的模式。

在Michael Kearns發(fā)表了關于弱學習者和假設檢驗的論文后，關于機器學習模型的思潮得到了關注。當中表明，增強模型是解決模型受到整體權衡偏差與方差的絕佳方案。此外，這些模型是Kaggle競賽中最受歡迎的選擇。

06 人工神經(jīng)網(wǎng)絡

最后，是當前預測模型中的王者——人工神經(jīng)網(wǎng)絡（ANNs）。

人工神經(jīng)網(wǎng)絡是目前最好的模型之一，可以在數(shù)據(jù)中找到非線性模式，并在自變量和因變量之間建立真正復雜的關系。通過學習人工神經(jīng)網(wǎng)絡，你將接觸到激活函數(shù)、反向傳播和神經(jīng)網(wǎng)絡層的概念，這些概念應該為你研究深度學習模型打下良好的基礎。

此外，神經(jīng)網(wǎng)絡在結(jié)構上有很多不同的特點，學習最基本的神經(jīng)網(wǎng)絡將為轉(zhuǎn)到其他類型的模型打下基礎，如主要用于自然語言處理和遞歸神經(jīng)網(wǎng)絡和主要用于計算機視覺的卷積神經(jīng)網(wǎng)絡。

結(jié)語：

以上就是今天的全部內(nèi)容。掌握這些模型應該會讓你在數(shù)據(jù)分析和機器學習方面有一個不錯的開始。

參考鏈接：https://www.kdnuggets.com/2021/1 ... cientist-master.htm

cda

最后，如果你想學機器學習，向你推薦這門課程《Python機器學習案例實戰(zhàn)》：https://edu.cda.cn/goods/show/3174?targetId=5196&preview=0

能夠幫助你輕松掌握使用Python進行數(shù)據(jù)分析的基本能力，通過“Python+案例”的模式快速掌握數(shù)據(jù)分析流程及基本的數(shù)據(jù)分析思維——數(shù)據(jù)分析流、數(shù)值分析、圖像分析、模型關系管理等內(nèi)容，能夠深刻理解如何提出、定義問題、分析數(shù)據(jù)、歸因分析等實操過程。