# 简单的三步法到最佳机器学习算法 > 原文： [https://machinelearningmastery.com/steps-to-the-best-machine-learning-algorithm/](https://machinelearningmastery.com/steps-to-the-best-machine-learning-algorithm/) 您如何为数据集选择最佳算法？ 机器学习是一种归纳问题，其中一般规则是从域中的特定观察数据中学习的。 不可能（不可能？）知道使用什么表示或什么算法来最好地从特定问题的数据中学习，而不必知道问题，以至于您可能不需要机器学习开始。 那么你应该在给定的问题上使用什么算法呢？这是一个试错的问题，或搜索最佳表示，学习算法和算法参数。 在这篇文章中，您将发现简单的3步方法，用于为业务中的一些最佳预测建模者提出的问题找到最佳算法。  步骤到最好的机器学习算法 照片由 [David Goehring](https://www.flickr.com/photos/carbonnyc/5186228351/) ，保留一些权利。 ## 三步骤方法 Max Kuhn是[插入符号包](http://topepo.github.io/caret/index.html)的创建者和拥有者，它为R中的预测建模提供了一套工具。它可能是最好的R包，也是R是严重竞争的首选的原因之一和应用机器学习。 在他们出色的书“ [Applied Predictive Modeling](http://www.amazon.com/dp/1461468485?tag=inspiredalgor-20) ”中，Kuhn和Johnson概述了为特定问题选择最佳模型的过程。 我将他们建议的方法解释为： 1. 从最不易解释且最灵活的模型开始。 2. 研究不太透明的简单模型。 3. 考虑使用最简单的模型，该模型可以合理地逼近更复杂模型的表现。 他们评论说： > 使用此方法，建模者可以在确定模型之前发现数据集的“表现上限”。在许多情况下，一系列模型在表现方面是等效的，因此从业者可以权衡不同方法的好处...... 例如，以下是您可以在下一次一次性建模项目中使用的此方法的一般解释： 1. 调查一系列复杂模型并建立表现上限，例如： 1. 支持向量机 2. 梯度增压机 3. 随机森林 4. 袋装决策树 5. 神经网络 2. 研究一套更简单，更易解释的模型，例如： 1. 广义线性模型 2. LASSO和弹性网正则化广义线性模型 3. 多元自适应回归样条 4. k-最近邻居 5. 朴素贝叶斯 3. 从（2）中选择最接近（1）精度的模型。 ## 快速一次性模型 我认为这是一个很好的方法，可用于一次性项目，您需要快速获得良好的结果，例如在几分钟或几小时内。 * 您可以很好地了解模型中问题的准确性 * 您有一个更容易理解并向他人解释的模型。 * 你有一个相当高质量的模型非常快（如果你花了几天或几周，可能是问题可达到的前10到25％） 我不认为这是解决所有问题的最佳方法。也许方法的一些缺点是： * 更复杂的方法运行速度较慢并返回结果。 * 有时您希望复杂模式优于较简单的模型（例如，精度胜过可解释性的域）。 * 表现上限是首先进行的，而不是最后一次，因为可能有时间，压力和动力从最好的方法中提取最多。 有关此策略的更多信息，请参阅[应用预测建模](http://www.amazon.com/dp/1461468485?tag=inspiredalgor-20)的第4.8节“在模型之间选择”，第78页。对于使用R的任何严肃的机器学习从业者来说，必须有书。 您是否有找到问题的最佳机器学习算法的方法？发表评论并分享更广泛的笔画。 你用过这种方法吗？它对你有用吗？ 任何问题？发表评论。