人工智慧物聯網AIOT文章分享

有無明確的 Y 值 => 選擇演算法的第一步，是看你的數據集有無明確的「Y 值」(即目標變數)。有明確的 Y 值，表示這是一個監督式學習的問題，否則便屬於非監督式學習。

• 1.1 有 Y 值的情況:

  這時我們會根據問題的特性來選擇演算法。如果目標變數（Y）是數值型（例如預測房價），我們通常會使用迴歸演算法；若目標變數是分類型（如區分貓狗照片），則適用分類演算法。

• 1.2 無 Y 值的情況:

  如果數據集中沒有明確的目標變數，我們要使用非監督式學習。這類演算法主要用於分群和關聯性分析，例如使用 K-means 進行分群分析，或使用主成分分析（PCA）來降低數據的維度。

在選擇演算法時，速度和精準度之間的權衡也是一個重要考量。下圖展示了常見的演算法及其應用場景：

• 2.1 速度優先:

  如果你的應用場景對速度要求很高，像是即時的預測或快速反應的應用，SVM（支持向量機）和決策樹是很好的選擇。這些演算法能在短時間內提供相對準確的結果，適合處理非線性問題。

• 2.2 精準度優先:

  如果你的應用對精度要求更高，那麼 K-最近鄰演算法（K-NN）、隨機森林或類神經網路是更好的選擇。這些演算法能通過大量數據學習，提供更準確的預測，適合中、大樣本的應用。

• 3.1 SVM（支持向量機）:

  適合處理高維數據，並且擅長處理非線性問題。SVM 通過「kernel trick」來找到一個最優的分類邊界，這個特性使得它在許多分類問題中都表現得非常好。

• 3.2 決策樹:

  一種基於樹形結構的演算法，用來進行分類和迴歸。它可以直接處理非線性問題，而且結果容易解釋。決策樹的速度較快，適合處理速度優先的場景。

• 3.3 K-最近鄰演算法（K-NN）:

  這是一個簡單且直觀的演算法，基於「距離」來進行分類。當你有一個新的數據點時，K-NN 會找到與它最接近的幾個鄰居，並根據鄰居的標籤來做出預測。這在某些場景下可能速度較慢，但它在需要高精準度的應用中非常有效。

• 3.4 隨機森林:

  這是由多個決策樹組成的集成學習演算法。通過訓練多個決策樹並投票決定最終結果，隨機森林可以提高預測的準確度，並減少過擬合的風險，適合中、大樣本數據集。

• 3.5 類神經網路:

  適合大樣本數據，並且能夠處理複雜的非線性問題。這類演算法擅長圖像識別、語音辨識等應用，但它的計算量較大，且需要大量的計算資源。

強化學習是另一個非常重要的學習模式，特別適用於尋求最佳解的場景。例如，在遊戲中的最佳路徑選擇問題，或者在機器人的路徑規劃中，強化學習能夠通過不斷試錯來學習最優策略。強化學習並不像監督式學習那樣依賴於大量已標註的數據，而是通過「獎勵與懲罰」來逐步優化策略。它的目標是在特定情境下找到最佳的行為方案。