越來越多的應(yīng)用涉及到大數(shù)據(jù)，不幸的是所有大數(shù)據(jù)的屬性，包括數(shù)量、速度、多樣性等等都是描述了數(shù)據(jù)庫不斷增長的復(fù)雜性。那么大數(shù)據(jù)給我們帶來了什么好處呢？大數(shù)據(jù)最大的好處在于能夠讓我們從這些數(shù)據(jù)中分析出很多智能的、深入的、有價值的信息。

最近比較了179種不同的分類學(xué)習(xí)方法（分類學(xué)習(xí)算法）在121個數(shù)據(jù)集上的性能，發(fā)現(xiàn)Random Forest（隨機(jī)森林）和SVM（支持向量機(jī)）分類準(zhǔn)確率最高，在大多數(shù)情況下超過其他方法。本文針對“大數(shù)據(jù)分析到底需要多少種工具？”

大數(shù)據(jù)分析主要依靠機(jī)器學(xué)習(xí)和大規(guī)模計算。機(jī)器學(xué)習(xí)包括監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等，而監(jiān)督學(xué)習(xí)又包括分類學(xué)習(xí)、回歸學(xué)習(xí)、排序?qū)W習(xí)、匹配學(xué)習(xí)等（見圖1）。分類是最常見的機(jī)器學(xué)習(xí)應(yīng)用問題，比如垃圾郵件過濾、人臉檢測、用戶畫像、文本情感分析、網(wǎng)頁歸類等，本質(zhì)上都是分類問題。分類學(xué)習(xí)也是機(jī)器學(xué)習(xí)領(lǐng)域，研究最徹底、使用最廣泛的一個分支。

圖1機(jī)器學(xué)習(xí)分類體系

最近、Fernández-Delgado等人在JMLR（Journal of Machine Learning Research，機(jī)器學(xué)習(xí)頂級期刊）雜志發(fā)表了一篇有趣的論文。他們讓179種不同的分類學(xué)習(xí)方法（分類學(xué)習(xí)算法）在UCI 121個數(shù)據(jù)集上進(jìn)行了“大比武”（UCI是機(jī)器學(xué)習(xí)公用數(shù)據(jù)集，每個數(shù)據(jù)集的規(guī)模都不大）。結(jié)果發(fā)現(xiàn)Random Forest（隨機(jī)森林）和SVM（支持向量機(jī)）名列第一、第二名，但兩者差異不大。在84.3%的數(shù)據(jù)上、Random Forest壓倒了其它90%的方法。也就是說，在大多數(shù)情況下，只用Random Forest 或 SVM事情就搞定了。

大數(shù)據(jù)分析到底需要多少種機(jī)器學(xué)習(xí)的方法呢？圍繞著這個問題，我們看一下機(jī)器學(xué)習(xí)領(lǐng)域多年得出的一些經(jīng)驗(yàn)規(guī)律。

大數(shù)據(jù)分析性能的好壞，也就是說機(jī)器學(xué)習(xí)預(yù)測的準(zhǔn)確率，與使用的學(xué)習(xí)算法、問題的性質(zhì)、數(shù)據(jù)集的特性包括數(shù)據(jù)規(guī)模、數(shù)據(jù)特征等都有關(guān)系。

一般地，Ensemble方法包括Random Forest和AdaBoost、SVM、LogisTIc Regression 分類準(zhǔn)確率最高。

沒有一種方法可以“包打天下”。Random Forest、SVM等方法一般性能最好，但不是在什么條件下性能都最好。

不同的方法，當(dāng)數(shù)據(jù)規(guī)模小的時候，性能往往有較大差異，但當(dāng)數(shù)據(jù)規(guī)模增大時，性能都會逐漸提升且差異逐漸減小。也就是說，在大數(shù)據(jù)條件下，什么方法都能work的不錯。參見圖2中Blaco & Brill的實(shí)驗(yàn)結(jié)果。

對于簡單問題，Random Forest、SVM等方法基本可行，但是對于復(fù)雜問題，比如語音識別、圖像識別，最近流行的深度學(xué)習(xí)方法往往效果更好。深度學(xué)習(xí)本質(zhì)是復(fù)雜模型學(xué)習(xí)，是今后研究的重點(diǎn)。

在實(shí)際應(yīng)用中，要提高分類的準(zhǔn)確率，選擇特征比選擇算法更重要。好的特征會帶來更好的分類結(jié)果，而好的特征的提取需要對問題的深入理解。