首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

2022年顶级机器学习算法和Python库

新的算法很难产生,2022 年可能也不例外。然而,仍有一些机器学习算法和 Python 库将在未来更受欢迎。这些算法之所以与众不同,是因为它们包含了一些在其它算法中并不普遍的优点,我会在本文详细讨论这些优点。

无论是能够在你的模型中使用不同的数据类型,还是能够将内置算法整合到你当前公司的基础设施中,甚至是能够在一个地方比较几种算法的成功指标,你都可以预计,这些算法和库都会由于各种原因而在明年变得更受欢迎。下面,让我们更深入地了解一下 2022 年的一些新兴算法和库。

CatBoost

CatBoost 可能是最新的算法,因为它随着越来越流行而不断更新。这个机器学习算法对于处理分类数据的数据科学家特别有用。您可以考虑 Random Forest 和 XGBoost 算法的优点,CatBoost 具有它们的大部分优点,同时还具有更多其它的优点。

以下是 CatBoost 的主要优点:

  • 无需担心参数调整——默认值通常会胜出,通常不值得手动调整,除非您想通过手动更改值来针对特定的异常分布
  • 更准确——不太过拟合,并且当您使用更具分类性的特征时,往往会得到更准确的结果
  • 快速——这种算法往往比其它基于树的算法更快,因为它不必担心用于示例的使用独热编码(one-hot encoding)的大型稀疏数据集,因为它使用了一种目标编码
  • 更快地预测——您可以更快地训练,这样您也就可以更快地使用您的 CatBoost 模型进行预测
  • SHAP——这个库被集成,便于解释整体模型的特征重要性以及特定预测总的来说,CatBoost 非常棒,因为它易于使用、功能强大,在算法领域具有竞争力,并且可以列在您的简历中来增光添彩。它可以帮助您创建更好的模型,最终使您的项目更好地为您的公司服务。

CatBoost 的文档在此https://catboost.ai

DeepAR Forecasting

这个算法内置在流行平台 Amazon SageMaker 中,如果您的公司目前使用 AWS 技术栈或者想要使用 AWS 技术栈,这可能是个好消息。在回归神经网络的帮助下,它用于预测/时间序列应用中的有监督学习。

以下是使用这个算法时需要用到的输入文件字段的一些示例:

  • start
  • target
  • dynamic _feat
  • cat

以下是使用这个算法/架构的一些优点:

  • 易于建模——在相同的地方构建/训练/部署,速度相当快
  • 简单的架构——聚焦于更少的编码,更多地关注您的数据和需要解决的业务问题当然,这个算法还有更多优点,所以我只是简单地介绍了下,因为不是所有的读者都在使用 AWS。

DeepAR Forcasting 算法的文档在此

PyCaret

因为没有太多的新算法需要讨论,我想包括一种能够比较几种算法的库,其中一些算法可能会更新迭代,所以比较新。这个 Python 库是开源和低代码的,可以被引用。当我开始比较并最终选择我的数据科学模型的最终算法时,它让我更加了解新的和即将流行的机器学习算法。

以下是使用这个库的一些好处:

  • 更少的编码时间——您不需要导入库,也不需要设置每个算法特有的每个预处理步骤,相反,您可以填写一些参数,让您可以将几乎所有您听说过的算法并排进行比较
  • 易于使用——随着库的演变,它们的易用性也在不断提高。
  • 端到端处理——可以研究从数据转换到预测结果的数据科学问题
  • 集成良好——可以 Power BI 中使用 AutoML
  • 整合——可以加入不同的算法以获得更多好处
  • 校准和优化模型
  • 关联规则挖掘
  • 更重要的是,一次性比较 20+算法总的来说,这个库虽然并不是一个新算法,但是它很可能包含 2022 年的新算法,或者至少是最新的算法,甚至像上面提到的 CatBoost 这样的算法都包含在这个库中——这就是我如何发现它的。话虽如此,我认为重要的是要包含这个库,这样您不仅可以了解 2022 年的最新算法,还可以了解您以前没有听说过或者错过的比较老的算法,因为您可以通过简单的用户界面将它们并排进行比较。

PyCaret 的文档在此

总结

如果你认为这个列表很短,那么你就会意识到并不是每年都会有一组新的机器学习算法。我希望这里提到的 3 个算法或库能够增添文档并更受欢迎,因为它们非常棒且不同于通常的逻辑回归/决策树等。

总而言之,以下是 2022 年可以期待的一些新的机器学习算法:

代码语言:javascript
复制
* CatBoost - 算法* DeepAR Forecasting - 算法/软件包* PyCaret - 包括新算法的库

复制代码

我希望您会觉得我的这篇文章既有趣又有用。无论您是否同意文中的观点,请随意在下方留言,讲讲为什么支持或反对。您认为我们还可以包括哪些更重要的算法或软件包/库?这些当然可以进一步阐明,但我希望能够阐明一些更独特的机器学习算法和库。

作者介绍

Matt Przybyla 高级数据科学家,人工智能、科技和教育领域的顶尖作家,《面向数据科学》(Towards Data Science)供稿作家。

原文链接

https://towardsdatascience.com/top-machine-learning-algorithms-and-python-libraries-for-2022-86820f7ca67f

  • 发表于:
  • 本文为 InfoQ 中文站特供稿件
  • 首发地址https://www.infoq.cn/article/NtudLRcPLlOe7yUCZ3qE
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券