Top 15 thuật toán Machine Learning dành cho newbie

Vinh Phạm

1684

30-03-2022

Ứng dụng của thuật toán Machine Learning và AI đang ngày càng trở nên quen thuộc với con người. Do đó, người dùng nên sử dụng nhiều thuật toán cho các vấn đề khi sử dụng một “tập kiểm tra” và đánh giá hiệu suất cũng như chọn ra giải pháp tối ưu nhất. Trong bài viết dưới đây, Bizfly Cloudsẽ giới thiệu cho bạn top thuật toán Machine Learning dành cho newbie hiệu quả nhất.

1. Linear Regression – Hồi quy tuyến tính

Linear Regression là một trong những thuật toán nổi tiếng nhất hiện nay và được dùng nhiều trong thống kê cũng như Machine Learning. Việc biểu diễn hồi quy tuyến tính là một phương trình mô tả đường thẳng phù hợp nhất với mối quan hệ giữa các biến đầu vào X và biến đầu ra Y. Trong đó có một số giải pháp như đại số tuyến tình dành cho Ordinary least square và tối ưu hoá Gradient descent. Quy tắc sử dụng kỹ thuật này là loại bỏ các biến tương tự nhau và các yếu tố xao lãng từ dữ liệu của người dùng.

2. Logistic Regression – Hồi quy logistic

Hồi quy Logistic là một thuật toán được Machine Learning mượn từ lĩnh vực thống kê và cũng là phương thức tốt nhất dành cho các vấn đề phân loại nhị phân. Logistic Regression sử dụng một hàm không tuyến tính gọi là hàm Logistic. Hàm này giống như một lớp S lớn và có thể biến đổi bất cứ giá trị nào thành 0-1. Khi được loại bỏ thuộc tính không liên quan tới đầu ra hoặc tương tự nhau, hồi quy Logic hoạt động tốt hơn.

3. Linear Discriminant Analysis – Phân tích phân loại tuyến tính

Nếu vấn đề của bạn có hai lớp trở lên thì thuật toán phân tích phân loại tuyến tính Linear Discriminant Analysis nên được ưu tiên. Biểu hiện của thuật toán này khá đơn giản với các thuộc tính thống kê của dữ liệu tính cho mỗi lớp. Các thành phần trong một biến đầu vào duy nhất gồm:

Giá trị trung bình dành cho mỗi lớp. Phương sai được tính trên toàn bộ các lớp. 4. Classification and regression trees – Cây phân loại và hồi quy

Nằm trong top thuật toán Machine Learning dành cho newbie phổ biến nhất hiện nay, Classification and Regression trees là một thuật toán quan trọng cho mô hình tiên đoán học máy. Biểu thị của mô hình Decision Tree là một cây nhị phân từ các thuật toán và cấu trúc dữ liệu.

5. Naive Bayes

Naive Bayes là một thuật toán Machine Learning đơn giản nhưng có mô hình tiên đoán cực mạnh mẽ. Nó bao gồm hai loại xác suất có thể được tính trực tiếp từ dữ liệu như xác suất của mỗi lớp và xác suất có điều kiện cho mỗi lớp với mỗi giá trị X. Sau khi tính, mô hình có thể đưa ra dự đoán cho dữ liệu mới bằng định lý Bayes. Naive Bayes giả định mỗi biến đầu vào là độc lập và mạnh mẽ nhưng không thực tế với dữ liệu thực.

6. K – Nearest Neighbors – KNN

KNN là thuật toán đơn giản và hiệu quả với mô hình đại diện là toàn bộ dữ liệu tập huấn. Bạn có thể thực hiện dự đoán cho một điểm dữ liệu mới bằng cách tìm kiếm thông qua toàn bộ tập đào tạo. Nó được ứng dụng cho hầu hết các ví được K giống nhau và tóm tắt biến đầu ra cho các ví dụ K đó. Kỹ thuật đơn giản nhất để xác định sự giống nhau giữa các trường hợp dữ liệu là sử dụng Euclide (trong trường hợp thuộc tính cùng kích cỡ).

7. Học Vector Quantization

Thuật toán Vector Quantization về Vector là thuật toán mạng thần kinh nhân tạo cho phép bạn chọn có bao nhiêu trường hợp đào tạo để treo và hiểu chính xác các trường hợp đó thế nào. Biểu diễn của học Vector Quantization là tập hợp của các codebook vector. Chúng được lựa chọn ngẫu nhiên ngay từ đầu và thích nghi tốt để tóm tắt tốt nhất việc lập dữ liệu đào tạo qua số lần lặp lại của thuật toán. Các vector code có thể được sử dụng để tạo ra các dự đoán tương tự như K-Nearest Neighbors.

8. Support Vector machines

Support Vector Machines là một trong top thuật toán Machine Learning dành cho newbie phổ biến và được bàn luận nhiều trên các diễn đàn công nghệ. Mỗi hyperplane là một đường phân chia không gian biến đầu vào. Mỗi hyperplane được chọn sẽ phân tách tốt nhất các điểm ở trong không gian của các biến đầu vào hoặc lớp 0 và lớp 1. Support Vector Machines được coi là một trong những phương pháp phân loại hàng đầu mà bạn nên thử trên tập dữ liệu của mình.

9. Bagging and Random Forest

Bagging and Random Forest là một phương pháp thống kê mạnh mẽ nhằm ước lượng số lượng từ một mẫu data cụ thể như giá trị trung bình. Trong bagging, cách tiếp cận tương tự thường được sử dụng là Decision Trees. Nhiều mẫu data đào tạo được lấy và sau đó mỗi mẫu dữ liệu sẽ được xây dựng một mô hình. Nếu bạn cần dữ liệu mới, mỗi mô hình sẽ dự đoán và được tính trung bình để ước lượng giá trị đầu ra tốt hơn.

10. Boosting và AdaBoost

Boosting và AdaBoost là một kỹ thuật đồng bộ nhằm mục đích tạo ra các phương pháp phân loại mạnh từ các phương pháp phân loại yếu. Điều đó được thực hiện bằng cách xây dựng các mô hình từ dữ liệu đào tạo và từ đó tạo ra một mô hình thứ hai sửa lỗi từ mô hình đầu tiên. Các mô hình sẽ tiếp tục được thêm vào cho đến khi tập đào tạo được dự đoán hoàn hảo hoặc thêm một số mô hình tối đa.

11. Decision Tree

Decision Tree là thuật toán hỗ trợ đắc lực cho việc ra quyết định của các kỹ sư với mô hình dạng cây. Khi nhìn vào Decision Tree, người dùng có thể đưa ra những lựa chọn đúng đắn hơn. Mặc dù là một mô hình cũ nhưng Decision Tree vẫn là một sự lựa chọn tốt dành cho newbie. Dưới góc độ là một người làm chủ dự án, Decision Tree là danh sách tối ưu các phương án lựa chọn.

12. Ordinary Least Squares Regression

Phương pháp này được sử dụng nhằm thực hiện hồi quy tuyến tính với biểu thị như một đường thẳng đi qua tập hợp các điểm. Nhìn chung mô hình của Ordinary Least Squares Regression phù hợp với các bài toán về dự đoán giá cả như chứng khoán, nhà đất.

13. Ensemble Methods

Ensemble Methods mà phương pháp tích hợp từ nhiều phương pháp khác nhau từ đó dự đoán kết quả. Thông qua đó rút ra kết luận dựa trên trọng số của từng phương pháp được áp dụng. Cách làm của Ensemble Methods:

Bias (trung bình sai số) Variance giảm độ phụ thuộc vào tập dữ liệu. Giảm Over-fit. 

14. Clustering Algorithms

Thuật toán này đặc trưng bởi việc gom cụm các đối tượng giống nhau vào trong một nhóm. Có nhiều phương pháp khác nhau để thực hiện gom cụm:

Gom cụm dựa vào tam điểm Centroid-based algorithms. Gom cụm dựa vào liên kết Connectivity-based algorithms. Gom cụm dựa theo xác suất Probabilistic. Gom cụm dựa vào tỷ lệ mật độ Density -based algorithms. 

15. Principal Component Analysis

Principal Component Analysis là thuật toán sử dụng phép biến đổi một tập hợp các dữ liệu từ một không gian nhiều chiều qua không gian ít chiều để hỗ trợ Machine Learning thống kê. Nó có nhiều ưu điểm với dữ liệu như:

Giảm tối đa số lượng không gian chứa dữ liệu nếu có quá nhiều chiều khó hình dung. Loại bỏ trục tọa độ cũ và thay bằng trục tọa độ mới nhưng vẫn đảm bảo độ biến thiên của dữ liệu trên trục. Tạo điều kiện để các liên kết bị ẩn có thể xuất hiện trên không gian mới. Đảm bảo trực quan đôi một các trục toạ độ trong không gian.

Trên thực tế, ngay cả Data Scientist cũng không thể nắm bắt được thuật toán nào là tốt nhất nếu không thử toàn bộ. Mặc dù có vô số thuật toán nhưng đây đều là top thuật toán Machine Learning dành cho newbie hàng đầu và được sử dụng nhiều nhất hiện nay.