机器学习中算法与模型的区别

机器学习涉及使用机器学习算法和模型。

对于初学者来说，这非常令人困惑，因为“机器学习算法”和“机器学习模型”经常被互换使用。它们是相同的还是不同的东西？

作为一名开发者，你对排序算法和搜索算法等“算法”的直觉将有助于消除这种困惑。

在这篇文章中，你将发现机器学习“算法”和“模型”之间的区别。

阅读本文后，你将了解：

• 机器学习算法是用于代码实现并在数据上运行的过程。
• 机器学习模型是由算法生成的，由模型数据和预测算法组成。
• 机器学习算法提供了一种自动编程，其中机器学习模型代表程序。

启动您的项目，阅读我的新书《机器学习算法精通》，其中包含分步教程和所有示例的Excel电子表格文件。

让我们开始吧。

机器学习中算法与模型的区别
照片由 Adam Bautz 拍摄，部分权利保留。

概述

本教程分为四个部分；它们是

1. 机器学习中的算法是什么
2. 机器学习中的模型是什么
3. 算法与模型框架
4. 机器学习就是自动编程

机器学习中的“算法”是什么

机器学习中的“算法”是在数据上运行以创建机器学习“模型”的过程。

机器学习算法执行“模式识别”。算法从数据中“学习”，或者在数据集上“拟合”。

机器学习算法有很多种。

例如，我们有用于分类的算法，如k近邻。我们有用于回归的算法，如线性回归，我们有用于聚类的算法，如k均值。

机器学习算法示例

• 线性回归
• 逻辑回归
• 决策树
• 人工神经网络
• k-近邻
• K-Means

你可以将机器学习算法视为计算机科学中的任何其他算法。

例如，你可能熟悉的其他算法类型包括用于排序数据的冒泡排序和用于搜索的最好优先搜索。

因此，机器学习算法具有许多属性

• 机器学习算法可以使用数学和伪代码进行描述。
• 机器学习算法的效率可以被分析和描述。
• 机器学习算法可以使用多种现代编程语言来实现。

例如，你可能会在研究论文和教科书中看到使用伪代码或线性代数描述的机器学习算法。你可能会看到特定机器学习算法与另一特定算法在计算效率上的比较。

学者可以设计全新的机器学习算法，机器学习实践者可以在他们的项目中使用标准的机器学习算法。这就像计算机科学的其他领域一样，学者可以设计全新的排序算法，程序员可以在他们的应用程序中使用标准的排序算法。

你也很可能看到多种机器学习算法一起实现，并在一个具有标准应用程序编程接口（API）的库中提供。一个流行的例子是scikit-learn库，它在Python中提供了许多分类、回归和聚类机器学习算法的实现。

机器学习中的“模型”是什么

机器学习中的“模型”是运行在数据上的机器学习算法的输出。

模型代表了机器学习算法所学到的东西。

模型是在训练数据上运行机器学习算法后保存的“事物”，它代表了做出预测所需的规则、数字以及任何其他算法特定的数据结构。

一些例子可能会让这更清楚

• 线性回归算法会生成一个由具有特定系数的向量组成的模型。
• 决策树算法会生成一个由具有特定值的 if-then 语句树组成的模型。
• 神经网络/反向传播/梯度下降算法共同生成一个由具有特定权值向量或矩阵的图结构组成的模型。

机器学习模型对于初学者来说更具挑战性，因为与计算机科学中的其他算法没有明确的类比。

例如，排序算法输出的排序列表并不是一个模型。

最好的类比是将机器学习模型视为“程序”。

机器学习模型“程序”由数据和使用数据进行预测的过程组成。

例如，考虑线性回归算法和生成的模型。模型由系数向量（数据）组成，这些系数与作为输入的行新数据相乘求和，以进行预测（预测过程）。

我们保存机器学习模型的数据以备后用。

我们通常使用机器学习库提供的机器学习模型的预测过程。有时我们可能会将预测过程作为应用程序的一部分来实现。这通常很简单，因为大多数预测过程都相当简单。

算法与模型框架

所以现在我们熟悉了机器学习“算法”与机器学习“模型”的区别。

具体来说，算法在数据上运行以创建模型。

• 机器学习 => 机器学习模型

我们还了解到，模型由数据和如何使用数据对新数据进行预测的过程组成。如果你愿意，可以把这个过程看作是预测算法。

• 机器学习模型 == 模型数据 + 预测算法

这种划分对于理解各种算法非常有帮助。

例如，大多数算法的所有工作都在“算法”中完成，“预测算法”的工作量很少。

通常，算法是一种优化过程，它最小化模型（数据 + 预测算法）在训练数据集上的误差。线性回归算法就是一个很好的例子。它执行优化过程（或使用线性代数解析求解）以找到一组权重，这些权重最小化了训练数据集上的均方误差。

线性回归

• 算法：找到最小化训练数据集上误差的系数集
• 模型:
  • 模型数据：系数向量
  • 预测算法：将输入行与系数相乘求和

有些算法是微不足道的，甚至什么都不做，所有的工作都在模型或预测算法中。

k近邻算法除了保存整个训练数据集之外，没有其他“算法”。因此，模型数据就是整个训练数据集，所有的工作都在预测算法中，即新数据行如何与保存的训练数据集交互以进行预测。

k-近邻

• 算法：保存训练数据。
• 模型:
  • 模型数据：整个训练数据集。
  • 预测算法：找到k个最相似的行并对它们的目標变量取平均值。

你可以将这个分解作为一个框架来理解任何机器学习算法。

你最喜欢的算法是什么？
可以在下面的评论中用这个框架来描述它吗？

你知道有什么算法不适合这个框架吗？

机器学习就是自动编程

我们真正想要的只是一个机器学习“模型”，“算法”只是我们获取模型的路径。

机器学习技术用于其他方法无法有效或高效解决的问题。

例如，如果我们想将电子邮件分类为垃圾邮件或非垃圾邮件，我们需要一个软件程序来执行此操作。

我们可以坐下来，手动审查大量电子邮件，并编写 if 语句来执行此任务。人们尝试过。事实证明，这种方法速度慢、脆弱且效率不高。

相反，我们可以使用机器学习技术来解决这个问题。具体来说，像朴素贝叶斯这样的算法可以从大量的历史电子邮件示例数据集中学习如何将电子邮件分类为垃圾邮件和非垃圾邮件。

我们不想要“朴素贝叶斯”。我们想要朴素贝叶斯提供的模型，我们可以用它来分类电子邮件（概率向量和使用它们进行预测的算法）。我们想要模型，而不是用于创建模型的算法。

从这个意义上说，机器学习模型是由机器学习算法自动编写、创建或学习的用于解决我们问题的程序。

作为开发者，我们对人工智能意义上的机器学习算法所进行的“学习”不太感兴趣。我们不关心模拟学习过程。有些人可能感兴趣，而且这很有趣，但这并不是我们使用机器学习算法的原因。

相反，我们更关心机器学习算法提供的自动编程能力。我们想要一个高效创建的有效模型，可以将其集成到我们的软件项目中。

机器学习算法执行自动编程，机器学习模型是我们为我们创建的程序。

总结

在这篇文章中，你发现了机器学习“算法”和“模型”之间的区别。

具体来说，你学到了：

• 机器学习算法是用于代码实现并在数据上运行的过程。
• 机器学习模型是由算法生成的，由模型数据和预测算法组成。
• 机器学习算法提供了一种自动编程，其中机器学习模型代表程序。

你有什么问题吗？
在下面的评论中提出你的问题，我会尽力回答。

了解机器学习算法的工作原理！

几分钟内了解算法如何工作

...只需算术和简单示例

在我的新电子书中探索如何实现
精通机器学习算法

它涵盖了**10种顶级算法**的**解释**和**示例**，例如：
_线性回归_、_k-近邻_、_支持向量机_等等...

最后，揭开
机器学习算法的神秘面纱

跳过学术理论。只看结果。

查看内容