大數(shù)據(jù)分析到底需要多少種工具？
JMLR雜志上最近有一篇論文，作者比較了179種不同的分類學(xué)習(xí)方法（分類學(xué)習(xí)算法）在121個數(shù)據(jù)集上的性能，發(fā)現(xiàn)Random Forest（隨機(jī)森林）和SVM（支持向量機(jī)）分類準(zhǔn)確率***，在大多數(shù)情況下超過其他方法。本文針對“大數(shù)據(jù)分析到底需要多少種工具？”這一問題展開討論，總結(jié)機(jī)器學(xué)習(xí)領(lǐng)域多年來積累的經(jīng)驗規(guī)律，繼而導(dǎo)出大數(shù)據(jù)分析應(yīng)該采取的策略。
1．分類方法大比武
大數(shù)據(jù)分析主要依靠機(jī)器學(xué)習(xí)和大規(guī)模計算。機(jī)器學(xué)習(xí)包括監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等，而監(jiān)督學(xué)習(xí)又包括分類學(xué)習(xí)、回歸學(xué)習(xí)、排序?qū)W習(xí)、匹配學(xué)習(xí)等（見圖1）。分類是最常見的機(jī)器學(xué)習(xí)應(yīng)用問題，比如垃圾郵件過濾、人臉檢測、用戶畫像、文本情感分析、網(wǎng)頁歸類等，本質(zhì)上都是分類問題。分類學(xué)習(xí)也是機(jī)器學(xué)習(xí)領(lǐng)域，研究最徹底、使用最廣泛的一個分支。
圖1 機(jī)器學(xué)習(xí)分類體系
最近、Fernández-Delgado等人在JMLR（Journal of Machine Learning Research，機(jī)器學(xué)習(xí)***期刊）雜志發(fā)表了一篇有趣的論文。他們讓179種不同的分類學(xué)習(xí)方法（分類學(xué)習(xí)算法）在UCI 121個數(shù)據(jù)集上進(jìn)行了“大比武”（UCI是機(jī)器學(xué)習(xí)公用數(shù)據(jù)集，每個數(shù)據(jù)集的規(guī)模都不大）。結(jié)果發(fā)現(xiàn)Random Forest（隨機(jī)森林）和SVM（支持向量機(jī)）名列***、第二名，但兩者差異不大。在84.3%的數(shù)據(jù)上、Random Forest壓倒了其它90%的方法。也就是說，在大多數(shù)情況下，只用Random Forest 或 SVM事情就搞定了。
2．幾點經(jīng)驗總結(jié)
大數(shù)據(jù)分析到底需要多少種機(jī)器學(xué)習(xí)的方法呢？圍繞著這個問題，我們看一下機(jī)器學(xué)習(xí)領(lǐng)域多年得出的一些經(jīng)驗規(guī)律。
l 大數(shù)據(jù)分析性能的好壞，也就是說機(jī)器學(xué)習(xí)預(yù)測的準(zhǔn)確率，與使用的學(xué)習(xí)算法、問題的性質(zhì)、數(shù)據(jù)集的特性包括數(shù)據(jù)規(guī)模、數(shù)據(jù)特征等都有關(guān)系。
l 一般地，Ensemble方法包括Random Forest和AdaBoost、SVM、Logistic Regression 分類準(zhǔn)確率***。
l 沒有一種方法可以“包打天下”。Random Forest、SVM等方法一般性能***，但不是在什么條件下性能都***。
l 不同的方法，當(dāng)數(shù)據(jù)規(guī)模小的時候，性能往往有較大差異，但當(dāng)數(shù)據(jù)規(guī)模增大時，性能都會逐漸提升且差異逐漸減小。也就是說，在大數(shù)據(jù)條件下，什么方法都能work的不錯。參見圖2中Blaco & Brill的實驗結(jié)果。
l 對于簡單問題，Random Forest、SVM等方法基本可行，但是對于復(fù)雜問題，比如語音識別、圖像識別，最近流行的深度學(xué)習(xí)方法往往效果更好。深度學(xué)習(xí)本質(zhì)是復(fù)雜模型學(xué)習(xí)，是今后研究的重點。
l 在實際應(yīng)用中，要提高分類的準(zhǔn)確率，選擇特征比選擇算法更重要。好的特征會帶來更好的分類結(jié)果，而好的特征的提取需要對問題的深入理解。
圖2 不同機(jī)器學(xué)習(xí)方法在數(shù)據(jù)集增大時的學(xué)習(xí)曲線。
3．應(yīng)采取的大數(shù)據(jù)分析策略
建立大數(shù)據(jù)分析平臺時，選擇實現(xiàn)若干種有代表性的方法即可。當(dāng)然，不僅要考慮預(yù)測的準(zhǔn)確率，還有考慮學(xué)習(xí)效率、開發(fā)成本、模型可讀性等其他因素。大數(shù)據(jù)分析平臺固然重要，同時需要有一批能夠深入理解應(yīng)用問題，自如使用分析工具的工程師和分析人員。
只有善工利器，大數(shù)據(jù)分析才能真正發(fā)揮威力。
參考文獻(xiàn)
[1] Manuel Fernández-Delgado, Eva Cernadas, Senén Barro, Dinani Amorim; Do we Need Hundreds of Classifiers to Solve Real World Classification Problems? Journal of Machine Learning Research 15(Oct):3133−3181, 2014.
[2] Banko, Michele, and Eric Brill. "Scaling to very very large corpora for natural language disambiguation." Proceedings of the 39th Annual Meeting on Association for Computational Linguistics. Association for Computational Linguistics, 2001.
