更多的数据，更多的问题，更好的答案

机器学习算法找出产生的洞察力，帮助你做出更好的决策和预测数据的自然形态。他们每天都在使用，使医疗诊断，股票交易，能源负荷预测，更关键的决策。例如，媒体网站依靠机器学习数以百万计的选项进行筛选，以给你歌曲或电影的建议。零售商用它来深入了解客户的购买行为。

当你应该使用机器学习？

考虑使用机器学习，当你有一个复杂的任务，或涉及大量的数据和大量的变量的问题，但没有现成的公式或公式。例如，机器学习是一个不错的选择，如果你需要这样的处理情况：

监督学习

监督机器学习建立一个模型基础上的不确定性的存在证据，使预测。受监督的学习算法将一组已知的输入数据和已知响应的数据（输出）和火车的模型来产生用于响应于新的数据合理预测。使用监督学习，如果你已经知道数据对您正在试图预测输出。

监督学习使用分类和回归技术开发预测模型。

分类技术预测离散的反应——例如，一封电子邮件是真实的还是垃圾邮件，或者肿瘤是癌症还是良性的。分类模型将输入数据分类为类别。典型的应用包括医学成像、语音识别和信用评分。

如果您的数据可以被标记、分类或划分到特定的组或类中，请使用classification。例如，手写识别应用程序使用分类来识别字母和数字。在图像处理和计算机视觉中，无监督模式识别技术用于物体检测和图像分割。

进行分类的统一算法包括金宝app支持向量机（SVM），提振和袋装决策树，ķ最近的邻居，朴素贝叶斯，判别分析，回归,神经网络。

回归技术预测连续反应，例如，改变在电力需求温度或波动。典型的应用包括电力系统负荷预测算法交易。

如果您处理的是一个数据范围，或者响应的性质是一个实数，例如温度或设备故障前的时间，那么请使用回归技术。

一般回归算法包括线性模型，非线性模型，正则化，逐步回归，提振和袋装决策树，神经网络,自适应神经模糊学习。

如何决定使用哪种机器学习算法?

选择正确的算法似乎是压倒性的——有几十种监督的和非监督的机器学习算法，每一种都采用不同的学习方法。

没有最好的方法或一刀切。找到合适的算法部分是正义的审判和错误，甚至是经验丰富的数据科学家也说不清的算法是否会没有想出来工作。但算法选择也取决于你用，你想从数据获得洞察力的工作数据的大小和类型，以及这些见解将如何使用。

下面是一些在有监督和无监督机器学习之间进行选择的指导:

• 选择监督学习如果你需要训练的模型进行预测 - 例如，一个连续变量的未来值，如温度或股票价格，或分类，例如，从识别摄像头录像的汽车品牌。
• 选择无监督学习如果你需要探索您的数据，并希望培养一个模型，以找到一个很好的内部表示，如数据拆分成集群。