Suivez le compte officiel WeChat "Python Column", répondez avec le mot de passe [Interview Encyclopedia] et recevez immédiatement des questions d'entretien + des modèles de CV.
L’apprentissage automatique peut être utilisé pour résoudre un large éventail de problèmes. Mais il y a tellement de modèles différents parmi lesquels choisir qu’il peut être difficile de savoir lequel convient le mieux.
Le résumé de cet article vous aidera à choisir le modèle de machine learning le plus adapté à vos besoins.
1. Déterminez le problème que vous souhaitez résoudre
La première étape consiste à déterminer le problème que vous souhaitez résoudre : s'agit-il d'un problème de régression, de classification ou de clustering ? Cela peut affiner les choix et décider quel type de modèle choisir.
Quel type de problème souhaitez-vous résoudre ?
-
Problème de classification : régression logistique, classificateur d'arbre de décision, classificateur de forêt aléatoire, machine à vecteurs de support (SVM), classificateur naïf de Bayes ou réseau de neurones.
-
Problème de clustering : clustering k-means, clustering hiérarchique ou DBSCAN.
2. Tenez compte de la taille et de la nature de l'ensemble de données
a) Taille de l'ensemble de données
Si vous disposez d'un petit ensemble de données, choisissez un modèle moins complexe tel que la régression linéaire. Pour des ensembles de données plus volumineux, des modèles plus complexes tels que la forêt aléatoire ou l’apprentissage profond peuvent convenir.
Comment déterminer la taille de l'ensemble de données :
-
Grands ensembles de données (des milliers à des millions de lignes) : boosting de gradient, réseaux de neurones ou modèles d'apprentissage profond.
-
Petits ensembles de données (moins de 1000 lignes) : régression logistique, arbres de décision ou Bayes naïf.
b)Marquage des données
Les données ont des résultats prédéterminés, contrairement aux données non étiquetées. Si les données sont étiquetées, des algorithmes d’apprentissage supervisé tels que la régression logistique ou les arbres de décision sont généralement utilisés. Les données non étiquetées nécessitent des algorithmes d'apprentissage non supervisés tels que les k-moyennes ou l'analyse en composantes principales (ACP).
c) Nature des caractéristiques
Si vos fonctionnalités sont catégoriques, vous souhaiterez peut-être utiliser des arbres de décision ou des Bayes naïfs. Pour les caractéristiques numériques, la régression linéaire ou les machines à vecteurs de support (SVM) peuvent être plus adaptées.
-
Caractéristiques de classification : arbres de décision, forêts aléatoires, Bayes naïfs.
-
Caractéristiques numériques : régression linéaire, régression logistique, machine à vecteurs de support, réseau neuronal, clustering k-means.
-
Fonctionnalités mixtes : arbres de décision, forêts aléatoires, machines à vecteurs de support, réseaux de neurones.
d) Données séquentielles
Si vous traitez des données séquentielles, telles que des séries chronologiques ou un langage naturel, vous devrez peut-être utiliser des réseaux de neurones récurrents (rnn) ou de la mémoire à long terme (LSTM), des transformateurs, etc.
e) Valeurs manquantes
Il existe de nombreuses valeurs manquantes qui peuvent être utilisées : arbres de décision, forêts aléatoires, clustering k-means. Si les valeurs manquantes ne sont pas correctes, vous pouvez envisager la régression linéaire, la régression logistique, la machine à vecteurs de support et le réseau neuronal.
3. Qu'est-ce qui est le plus important : l'interprétabilité ou l'exactitude ?
Certains modèles d’apprentissage automatique sont plus faciles à interpréter que d’autres. Si vous avez besoin d'expliquer les résultats du modèle, vous pouvez choisir des modèles tels que des arbres de décision ou une régression logistique. Si la précision est plus critique, des modèles plus complexes tels que la forêt aléatoire ou l’apprentissage profond peuvent être plus adaptés.
4. Catégories déséquilibrées
Si vous avez affaire à des classes déséquilibrées, vous souhaiterez peut-être utiliser des modèles tels que des forêts aléatoires, des machines à vecteurs de support ou des réseaux de neurones pour résoudre le problème.
Gérer les valeurs manquantes dans les données
Si vous avez des valeurs manquantes dans votre ensemble de données, vous souhaiterez peut-être envisager des techniques ou des modèles d'imputation capables de gérer les valeurs manquantes, tels que les K-plus proches voisins (KNN) ou les arbres de décision.
5. Complexité des données
S'il peut exister des relations non linéaires entre les variables, des modèles plus complexes tels que des réseaux de neurones ou des machines à vecteurs de support devront être utilisés.
-
Faible complexité : régression linéaire, régression logistique.
-
Complexité moyenne : arbres de décision, forêts aléatoires, Bayes naïfs.
-
Haute complexité : réseau neuronal, machine à vecteurs de support.
6. Équilibrer vitesse et précision
Si vous souhaitez considérer le compromis entre vitesse et précision, les modèles plus complexes peuvent être plus lents, mais ils peuvent également offrir une plus grande précision.
-
La vitesse est plus importante : arbres de décision, Bayes naïfs, régression logistique, clustering k-means.
-
La précision est plus importante : réseaux de neurones, forêts aléatoires, machines à vecteurs de support.
7. Données et bruit de grande dimension
Si vous souhaitez traiter des données de grande dimension ou des données bruyantes, vous devrez peut-être utiliser des techniques de réduction de dimensionnalité (telles que la PCA) ou des modèles capables de gérer le bruit (tels que KNN ou des arbres de décision).
-
Faible bruit : régression linéaire, régression logistique.
-
Bruit modéré : arbres de décision, forêts aléatoires, regroupement de k-moyennes.
-
Bruit élevé : réseaux de neurones, machines vectorielles de support.
8. Prédiction en temps réel
Si vous avez besoin de prédictions en temps réel, vous devez choisir un modèle tel qu'un arbre de décision ou une machine à vecteurs de support.
9. Gérer les valeurs aberrantes
Si les données comportent de nombreuses valeurs aberrantes, vous pouvez choisir un modèle robuste comme svm ou random forest.
-
Modèles sensibles aux valeurs aberrantes : régression linéaire, régression logistique.
-
Modèles très robustes : arbres de décision, forêts aléatoires, machines à vecteurs de support.
10. Difficulté de déploiement
Le but ultime du modèle est de le déployer en ligne, la difficulté de déploiement est donc la considération finale :
Certains modèles simples, tels que la régression linéaire, la régression logistique, les arbres de décision, etc., peuvent être relativement facilement déployés dans des environnements de production en raison de leur petite taille de modèle, de leur faible complexité et de leur faible surcharge de calcul. Sur des ensembles de données à grande échelle, de grande dimension, non linéaires et autres ensembles de données complexes, les performances de ces modèles peuvent être limitées, nécessitant des modèles plus avancés, tels que des réseaux neuronaux, des machines à vecteurs de support, etc. Par exemple, dans des domaines tels que la reconnaissance d'images et de parole, les ensembles de données peuvent nécessiter un traitement et un prétraitement approfondis, ce qui peut rendre le déploiement du modèle plus difficile.
Résumer
Choisir le bon modèle d'apprentissage automatique peut être une tâche difficile, nécessitant des compromis en fonction du problème spécifique, des données, de la vitesse, de l'interprétabilité, du déploiement, etc., et la sélection de l'algorithme le plus approprié en fonction des exigences. En suivant ces directives, vous pouvez vous assurer que votre modèle d'apprentissage automatique est bien adapté à votre cas d'utilisation spécifique et peut vous fournir les informations et les prédictions dont vous avez besoin.
