如何根據目標選擇機器學習模型？ - Cupoy

2019/08/10 下午 03:15

機器學習共學討論版

Warren Wong

觀看數：167

回答數：3

收藏數：0

ml100-3

回答列表

• 2019/08/11 上午 01:05
  Seanyu.TW
  贊同數：5
  不贊同數：0
  留言數：1

  Hi,

  這其實沒有標準答案。原則上來說會依照不同類型來決定要用哪種模型，比如圖像型的問題 (如圖像分類、追蹤、偵測、分割等) 或是語音訊號處理，那毫無疑問會採用 NN。如果是結構化資料，則我會優先考慮 SVM、Xgboost 等方法，經驗上來說這類型的問題 NN 不一定有優勢，不過如果時間與資源許可，搭建一個簡單的多層 MLP 嘗試也是可以。

• 2019/08/11 下午 08:10
  張維元 (WeiYuan)
  贊同數：2
  不贊同數：0
  留言數：0

  這邊兩派意見：

  
  

  1. 根據資料選擇適合的模型，例如資料量大維度多可能會用神經網絡、資料間數值居多可能用回歸 ... scikit-learn 有給一張圖：

  
  

  

  
  

  2. 全部的模型都跑過一次，再根據結果來優化

• 2019/08/13 上午 11:40
  陳明佑 (Ming You Chen)
  贊同數：2
  不贊同數：0
  留言數：0

  Q. 即是先要經驗來選擇那類模型，再以評估結果來決定那種模型最適合？

  
  

  Ans. 概念上是這樣沒錯,  

  以我的競賽的經驗來說, 會分成四大種預設套餐

  除了看題目是回歸或分類, 最主要還是要看資料量多寡

  像 SVM / KNN 這類模型, 資料一多根本算不動....資料多時幾乎都是樹狀的天下

  而 Xgb / Lgb 這些模型, 在資料量極端少(比如幾百筆)時, 效果反而比較差

  所以大致上來說

  資料少時, 就用 : 線性(邏輯斯回歸) + SVM/KNN

  資料多時, 就用 : 線性(邏輯斯回歸) + 樹狀 + 少量NN

  
  

  但上面是指競賽而言, 如果是專題, 就會有更多情況

  要先了解特徵與目標值的比例 / 適合深度還是非深度學習 / 有沒有適合的算法(例如物件偵測)

  總的來說實務上很難一概而論, 要 case by case 看