读芯术七个关键因素：如何选择出最佳机器学习算法？( 二 )

众所周知，神经网络需要大量的时间来训练一个模型。传统的机器算法，如k近邻算法和逻辑回归算法，花费的时间要少得多。一些算法，如随机森林，需要根据所使用的CPU内核不同的训练时间。
预测时间
预测时间是模型进行预测所需要的时间。对于产品通常是搜索引擎或在线零售商店的互联网公司来说，快速预测时间是用户体验顺畅的关键。在这些情况下，速度非常重要，如果预测速度太慢，即使有良好结果的算法也没有用。
然而，在一些业务需求中，准确性比预测时间更重要。比如在我们前面提到的癌细胞的例子中，或者在检测欺诈交易时。支持向量机、线性回归、逻辑回归和几种类型的神经网络等算法可以进行快速预测。然而，像KNN和ensemble模型这样的算法通常需要更多的时间来进行预测。

本文插图
【读芯术七个关键因素：如何选择出最佳机器学习算法？】图源：unsplash
存储需求
如果可以将整个数据集加载到服务器或计算机的RAM中，则可以应用大量算法。然而，当这是不可能的，你可能需要采用增量学习算法。
增量学习是一种机器学习方法，通过输入数据不断地扩展已有模型的知识，即进一步训练模型。增量学习算法的目的是适应新的数据而不忘记已有的知识，因此不需要对模型进行再训练。
在为机器学习任务选择算法时，性能似乎是最明显的指标。但仅凭性能还不足以选择出最佳算法，你的模型需要满足其他标准，如内存需求、训练和预测时间、可解释性和数据格式。通过综合更广泛的因素，你可以做出更自信的决定。如果很难在几个选定的模型中选择最佳算法，你也可以在验证数据集上测试它们。
当决定实现一个机器学习模型时，选择正确的模型意味着分析你的需求和预期结果。虽然这可能需要一些额外的时间和努力，但回报是更高的准确性和改进的性能。

本文插图
留言点赞关注
我们一起分享AI学习与发展的干货
如转载，请后台留言，遵守转载规范
本文为***作者原创，未经授权不得转载