機器學習算法那么多，一個問題的解決往往可能有好多算法的選擇。

這些算法有什么特點呢？特定的場景需要選擇哪一算法呢？

我們為大家翻譯了Quora上大牛們最喜歡的機器學習算法，一起欣賞。

Carlos Guestrin，亞馬遜計算機科學機器學習教授，Dato公司ceo及創始人 （Dato原名GraphLab，大數據分析云服務平臺）

我并沒有最喜歡的機器學習算法，但有一些比較青睞的，比如：

最簡潔的算法：感知器算法(Perceptron)。這種算法是Rosenblatt和他的同事們在20世紀50年代創造的。這個算法非常簡單，但它是現在一些最成功的分類器的基礎，包括支持SVM和邏輯回歸，它們都使用了隨機梯度下降法。感知器算法的收斂性證明是我在ML中見過的最優雅的數學過程之一。

最有用的算法: Boosting，特別是提升決策樹。這種方法比較直觀，可以結合許多簡單模型來構建高精度機器學習模型。Boosting是機器學習中最具實踐性的方法，在工業中得到了廣泛的引用，可以用它處理相當廣泛的數據類型，在數據規模上也沒有太多限制。在實際過程中的提高樹的可伸縮性應用上，我建議考慮XGBoost。Boosting的證明過程也是非常優雅的。

卷土重來的算法：卷積神經網絡深度學習。這種神經網絡算法在20世紀80年代早期開始流行。從90年代后期到2000年代后期，大家對這種算法的興趣逐漸減弱，但在過去的5年里，這種算法出人意料的卷土重來。特別是，卷積神經網絡建立了深度學習模型的核心，在計算機視覺和語音識別方面有巨大影響力。

最優美的算法:動態規劃（Dynamic programming）（比如維特比, forward-backward, 變量消除以及belief propagation算法）。

在計算機科學中動態規劃是最優雅的一種算法，是通過搜索一個指數型大的空間來找到可選的解決方案。這種方法在機器學習中已經得到了各種應用，特別是圖形模型，如隱馬爾可夫模型、貝葉斯網絡和馬爾可夫網絡。

無與倫比的基準：鄰近算法。當我們想顯示我們的曲線比別人好時，一個辦法就是引入一個基準來證明自己的方法更加準確。鄰近算法實現起來非常簡單。我們總是覺得自己的算法可以輕易的超過鄰近算法，但實際上很難！如果我們有足夠的數據，鄰近算法非常有效果，在實踐中也是非常有用的。

Fran?ois Chollet，谷歌深度學習研究專家，Keras作者

矩陣分解——一個簡單而美麗的降維方法，而降維是認知的本質。

矩陣分解在推薦系統得到了很大應用。另一個應用是分解特征的互信息對的矩陣，或更為常見的逐點互信息。我從2010年開始處理視頻數據的時候就開始用了。可用于特征提取、計算單詞嵌入、計算標簽嵌入(我最近的論文的主題就是這個)，等等。

在卷積中，矩陣分解是圖像、視頻的無監督特征的優秀的提取器。但有個問題，它從根本上來說是比較淺的算法。一旦監督標簽可用，深度神經網絡將很快超越它。

Yann LeCun，Facebook人工智能研究院主管，紐約大學教授

Backprop，反向傳播算法。

Ian Goodfellow，谷歌大腦高級研究員

我喜歡dropout，在一個簡單模型中構建一個指數型的大集成是非常優雅的。在近似集成預測結果時，權重除以2的技巧效果很好。我不太理解在深度非線性模型中其效果如此好的理論原因，但它的效果真的很好。

Claudia Perlich，Dstillery首席科學家，紐約大學客座教授

毫無疑問，我最喜歡邏輯回歸，包括隨機梯度下降、特征散列以及懲罰。

在深度學習如此火爆的時代，我的這個回答肯定讓人費解，來告訴你們原因：

1995年到1998年，我使用神經網絡；1998年到2002年，我一般使用基于方法的樹；從2002年以后，就開始慢慢使用邏輯回歸了，還包括線性回歸、分量回歸、泊松回歸等。2003年，我在Machine Learning上發表了一篇文章，使用 35個數據集（在那時這樣的數據量還是比較大的）上，對比基于方法的樹、基于邏輯回歸分別得到的結果。

簡要結論——如果信號噪聲比較高，那么決策樹效果更好。但如果有非常雜亂的問題，最好的模型的AUC小于0.8，那么邏輯回歸的效果總是比決策樹好。最終結果在意料之中，如果信號太弱，高方差模型就會失效。

所以這個試驗說明了什么？我需要處理的問題類型是比較雜亂的，并且可預測性低。一般都是處于隨機確定性（象棋？？）的條件下，像所謂的股票市場。根據數據不同，不同問題的可預測性也不同。這已經不簡單是算法問題，而是對世界的概念表述。

我感興趣的大多數問題非常類似于股市的某一個極端。深度學習在另一端效果非常好——比如判斷圖片中是否是一只貓。在不確定的問題中，偏差權衡仍然經常結束了更多的偏差，也就是，你希望得到一個簡單的、非常受限的模型。這里就用到邏輯回歸了。我發現，添加復雜特征來加強簡單線性模型，比限制一個強大的高方差模型更容易。而每一次我贏過的數據挖掘比賽，我都使用了線性模型。

除了性能比較好，線性模型還比較可靠、需要的控制更少，不過還要用隨機梯度下降法和懲罰。這些是很重要的，因為在工業上，我們根本不可能花3個月的時間來建立一個完美的模型。

最后，在線性模型上，我可以更好的理解一切如何運行。

Alex Smola，卡內基梅隆大學教授，1-Page首席科學家

可能大家都最喜歡感知器算法，由它發展出其他很多重要的算法，比如：

核函數方法（只是轉換預處理）

深度網絡（只是增加了更多的層）

隨機梯度下降法(只改變目標函數)

學習理論（保證了更新）

感知器算法如下：

假設一個線性函數f(x)=?w,x?+b，我們要估計向量w和常數b，當得到分類1時，f為正數，得到分類?1時，f為負數。然后我們可以做如下步驟：

初始化w和b為零(或其他可能更好的值)；

繼續遍歷(x,y)，直到沒有錯誤；

如果 yf(x)<0，那么更新 w+=yx，b+=y。

該算法是收斂的，所花時間長短取決于問題有多難，從技術上來講就是將正數和負數集合分開的困難程度。但是解決所有的錯誤更重要。

Xavier Amatriain，前ML研究人員，目前在Quora帶領工程師

我喜歡簡單而靈活的算法。如果一定要選一個，我最喜歡集成（Ensemble）算法，我個人認為它是“大師級別”。無論我們從哪個算法開始，總可以用集成算法來提高它。集成算法獲得了Netflix獎，經常表現優異，也相對容易理解、優化和檢查。

但如果要選一個“超級算法”，我選另一個——邏輯回歸。邏輯回歸很簡單，但很有效并且有彈性，可以用在很多地方，包括分類、排序。

Thorsten Joachims，康奈爾大學教授，主要研究人類行為的機器學習

我目前使用的學習算法并不是我最喜歡的，因為它們都有一個缺陷。這些優異又重要的機器學習算法中，都有個巨大的帕累托邊界。

事實上，基本的機器學習理論告訴我們，沒有一個單獨的機器學習算法可以很好的解決所有問題。如果訓練樣本相對比較少，又有非常高維的稀疏數據(例如按主題分類的文本)，可以使用一個正規化的線性模型，比如SVM或邏輯回歸。但如果有大量的訓練樣本與低維的稠密數據(如語音識別、視覺)，可以使用深度網絡。

Ricardo Vladimiro，Miniclip 游戲分析和數據科學負責人

注：Miniclip，瑞士在線游戲公司，2015年被騰訊控股。

隨機森林。學習隨機森林對我來說是個非常享受的過程。最后的總體效果也很有意義。我覺得決策樹實在是很可愛。對特征進行Bootstrap經常會讓我驚嘆。這真的很神奇。我覺得我對于隨機森林已經有感情了，因為我在如此短短的時間內學到了很多東西。

Ps:我知道我對決策樹的看法有點極端。