mzhdsb1. 机器学习分类全景图
在数据科学领域工作了十年后，我发现很多刚入行的朋友最困惑的就是机器学习算法的分类体系。就像整理衣柜一样，如果不先建立清晰的分类框架，后续使用时会陷入"该选哪件衣服"的选择困难症。让我们从三个维度来构建这个分类体系：
1.1 按学习范式分类
监督学习就像有参考答案的练习题，我们给算法提供带有标签的训练数据（特征X和答案Y），让它学习从X到Y的映射关系。常见的监督学习任务包括：
- 分类（预测离散标签）：垃圾邮件识别、疾病诊断
- 回归（预测连续值）：房价预测、销量预估
无监督学习则像让机器自己观察数据中的模式，典型应用包括：
- 聚类分析：客户分群、异常检测
- 降维：数据可视化、特征压缩
强化学习则采用"试错-奖励"机制，比如：
- AlphaGo通过自我对弈不断优化策略
- 机器人控制中的动作序列学习
实际项目中，我常遇到这样的误区：试图用无监督学习解决本需要监督学习的问题。比如用K-means做客户流失预测，这就像用尺子称体重——工具选错了。
1.2 按模型类型分类
传统机器学习模型可以看作"手工打造的精密仪器"：
- 决策树家族：CART、随机森林
- 支持向量机（SVM）及其核方法
- 贝叶斯网络与概率图模型
深度学习则是"自动学习的复杂系统"：
- CNN处理网格结构数据（图像、时序）
- RNN/LSTM处理序列数据（文本、语音）
- Transformer处理长程依赖关系
集成方法像"专家委员会"：
- Bagging（随机森林）降低方差
- Boosting（XGBoost）减少偏差
- Stacking组合基模型输出
1.3 按任务特性分类
根据数据特性选择算法很重要：
- 小样本问题：贝叶斯方法、迁移学习
- 高维数据：Lasso回归、自动编码器
- 非均衡数据：代价敏感学习、SMOTE过采样
我维护的一个项目选择矩阵如下表所示：
| 数据特征 | 推荐算法 | 典型案例 |
|---|---|---|
| 样本量<1k | SVM/朴素贝叶斯 | 医疗影像分析 |
| 特征>1万维 | 随机森林/PCA | 基因序列分类 |
| 类别比例1:100 | Focal Loss | 欺诈检测 |
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。