Siga la cuenta oficial de WeChat "Python Column", responda con la contraseña [Enciclopedia de entrevistas] y reciba preguntas de entrevistas + plantillas de currículum de inmediato.
El aprendizaje automático se puede utilizar para resolver una amplia gama de problemas. Pero hay tantos modelos diferentes para elegir que puede resultar complicado saber cuál es el adecuado.
El resumen de este artículo le ayudará a elegir el modelo de aprendizaje automático que mejor se adapte a sus necesidades.
1. Determina el problema que quieres resolver.
El primer paso es determinar el problema que desea resolver: ¿es un problema de regresión, de clasificación o de agrupamiento? Esto puede limitar las opciones y decidir qué tipo de modelo elegir.
¿Qué tipo de problema quieres resolver?
-
Problema de clasificación: regresión logística, clasificador de árbol de decisión, clasificador de bosque aleatorio, máquina de vectores de soporte (SVM), clasificador ingenuo de Bayes o red neuronal.
-
Problema de agrupamiento: agrupamiento k-medias, agrupamiento jerárquico o DBSCAN.
2. Considere el tamaño y la naturaleza del conjunto de datos.
a) Tamaño del conjunto de datos
Si tiene un conjunto de datos pequeño, elija un modelo menos complejo, como la regresión lineal. Para conjuntos de datos más grandes, pueden ser adecuados modelos más complejos, como bosques aleatorios o aprendizaje profundo.
Cómo determinar el tamaño del conjunto de datos:
-
Grandes conjuntos de datos (de miles a millones de filas): aumento de gradiente, redes neuronales o modelos de aprendizaje profundo.
-
Conjuntos de datos pequeños (menos de 1000 filas): regresión logística, árboles de decisión o Bayes ingenuo.
b) Marcado de datos
Los datos tienen resultados predeterminados, mientras que los datos sin etiquetar, no. Si los datos están etiquetados, generalmente se utilizan algoritmos de aprendizaje supervisado como la regresión logística o los árboles de decisión. Los datos sin etiquetar requieren algoritmos de aprendizaje no supervisados, como k-means o análisis de componentes principales (PCA).
c) Naturaleza de las características
Si sus características son categóricas, es posible que desee utilizar árboles de decisión o Bayes ingenuo. Para características numéricas, la regresión lineal o las máquinas de vectores de soporte (SVM) pueden ser más adecuadas.
-
Características de clasificación: árboles de decisión, bosques aleatorios, Bayes ingenuo.
-
Características numéricas: regresión lineal, regresión logística, máquina de vectores de soporte, red neuronal, agrupación de k-medias.
-
Funciones mixtas: árboles de decisión, bosques aleatorios, máquinas de vectores de soporte, redes neuronales.
d) Datos secuenciales
Si se trata de datos secuenciales, como series de tiempo o lenguaje natural, es posible que necesite utilizar redes neuronales recurrentes (rnn) o memoria a corto plazo (LSTM), transformadores, etc.
e) Valores faltantes
Hay muchos valores faltantes que se pueden utilizar: árboles de decisión, bosques aleatorios, agrupación de k-medias. Si los valores faltantes no son correctos, puede considerar la regresión lineal, la regresión logística, la máquina de vectores de soporte y la red neuronal.
3. ¿Qué es más importante, la interpretabilidad o la precisión?
Algunos modelos de aprendizaje automático son más fáciles de interpretar que otros. Si necesita explicar los resultados del modelo, puede elegir modelos como árboles de decisión o regresión logística. Si la precisión es más crítica, entonces los modelos más complejos, como el bosque aleatorio o el aprendizaje profundo, pueden ser más adecuados.
4. Categorías desequilibradas
Si se trata de clases desequilibradas, es posible que desee utilizar modelos como bosques aleatorios, máquinas de vectores de soporte o redes neuronales para resolver el problema.
Manejar valores faltantes en los datos
Si tiene valores faltantes en su conjunto de datos, es posible que desee considerar técnicas de imputación o modelos que puedan manejar valores faltantes, como K-vecinos más cercanos (KNN) o árboles de decisión.
5. Complejidad de los datos
Si puede haber relaciones no lineales entre variables, será necesario utilizar modelos más complejos, como redes neuronales o máquinas de vectores de soporte.
-
Baja complejidad: regresión lineal, regresión logística.
-
Complejidad media: árboles de decisión, bosques aleatorios, Bayes ingenuo.
-
Alta complejidad: red neuronal, máquina de vectores de soporte.
6. Equilibrar velocidad y precisión
Si desea considerar el equilibrio entre velocidad y precisión, los modelos más complejos pueden ser más lentos, pero también pueden proporcionar una mayor precisión.
-
La velocidad es más importante: árboles de decisión, Bayes ingenuo, regresión logística, agrupación de k-medias.
-
La precisión es más importante: redes neuronales, bosques aleatorios, máquinas de vectores de soporte.
7. Datos de alta dimensión y ruido.
Si desea trabajar con datos de alta dimensión o datos ruidosos, es posible que necesite utilizar técnicas de reducción de dimensionalidad (como PCA) o modelos que puedan manejar ruido (como KNN o árboles de decisión).
-
Bajo nivel de ruido: regresión lineal, regresión logística.
-
Ruido moderado: árboles de decisión, bosques aleatorios, agrupación de k-medias.
-
Alto ruido: redes neuronales, máquinas de vectores de soporte.
8. Predicción en tiempo real
Si necesita predicciones en tiempo real, debe elegir un modelo como un árbol de decisión o una máquina de vectores de soporte.
9. Manejar los valores atípicos
Si los datos tienen muchos valores atípicos, puede elegir un modelo robusto como svm o random forest.
-
Modelos sensibles a valores atípicos: regresión lineal, regresión logística.
-
Modelos muy robustos: árboles de decisión, bosques aleatorios, máquinas de vectores de soporte.
10. Dificultad de implementación
El objetivo final del modelo es implementarlo en línea, por lo que la dificultad de implementación es la consideración final:
Algunos modelos simples, como la regresión lineal, la regresión logística, los árboles de decisión, etc., se pueden implementar con relativa facilidad en entornos de producción debido a su pequeño tamaño de modelo, baja complejidad y baja sobrecarga computacional. En conjuntos de datos complejos a gran escala, de alta dimensión, no lineales y otros conjuntos de datos, el rendimiento de estos modelos puede ser limitado, lo que requiere modelos más avanzados, como redes neuronales, máquinas de vectores de soporte, etc. Por ejemplo, en áreas como el reconocimiento de imágenes y voz, los conjuntos de datos pueden requerir un procesamiento y preprocesamiento extensos, lo que puede dificultar la implementación del modelo.
Resumir
Elegir el modelo de aprendizaje automático adecuado puede ser una tarea desafiante, que requiere hacer concesiones en función del problema específico, los datos, la velocidad, la interpretabilidad, la implementación, etc., y seleccionar el algoritmo más apropiado según los requisitos. Si sigue estas pautas, puede asegurarse de que su modelo de aprendizaje automático se ajuste bien a su caso de uso específico y pueda brindarle la información y las predicciones que necesita.
