隨著機器學(xué)習(xí)越來越流行，也出現(xiàn)了越來越多能很好地處理任務(wù)的算法。但是，你不可能預(yù)先知道哪個算法對你的問題是最優(yōu)的。華盛頓大學(xué) eScience Institute 和 Institute for Neuroengineering 的數(shù)據(jù)科學(xué)博士后 Michael Beyeler 介紹了如何依靠已有的方法（模型選擇和超參數(shù)調(diào)節(jié)）去指導(dǎo)你更好地去選擇算法。

首先，我們先重溫基礎(chǔ)知識！

具體來說，我們應(yīng)該知道機器學(xué)習(xí)里面三個主要類別：監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)。

上面的描述包括了幾個專業(yè)術(shù)語：

（關(guān)注微信公眾號：小瓦觀察，回復(fù)“算法”可下載PDF源文件 )

一些值得注意的算法如下：

理想情況下，我們會建立一個機器學(xué)習(xí)流程，使用一組經(jīng)過仔細選擇的評估標準來比較每個算法在數(shù)據(jù)集上的表現(xiàn)。在這個階段，我們只處理一小部分的算法，所以我們可以把注意力轉(zhuǎn)到真正神奇的地方：特征工程。

當然，每個人都是適合自己的特征描述方法。如果你有幾個候選方法，你可以使用封裝好

為您提供：

【前沿資訊】跟蹤國內(nèi)外機器人領(lǐng)域前沿最新動態(tài)

【蘿卜知識】完整的機器人專業(yè)知識學(xué)習(xí)路徑，人人都可以成為創(chuàng)客

【實踐通道】提供機器人相關(guān)的產(chǎn)品、愛好者社區(qū)，以及工作實踐機會