新的算法很难产生,2022 年可能也不例外。然而,仍有一些机器学习算法和 Python/ target=_blank class=infotextkey>Python 库将在未来更受欢迎。这些算法之所以与众不同,是因为它们包含了一些在其它算法中并不普遍的优点,我会在本文详细讨论这些优点。
无论是能够在你的模型中使用不同的数据类型,还是能够将内置算法整合到你当前公司的基础设施中,甚至是能够在一个地方比较几种算法的成功指标,你都可以预计,这些算法和库都会由于各种原因而在明年变得更受欢迎。下面,让我们更深入地了解一下 2022 年的一些新兴算法和库。
CatBoost 可能是最新的算法,因为它随着越来越流行而不断更新。这个机器学习算法对于处理分类数据的数据科学家特别有用。您可以考虑 Random Forest 和 XGBoost 算法的优点,CatBoost 具有它们的大部分优点,同时还具有更多其它的优点。
以下是 CatBoost 的主要优点:
CatBoost 的文档在此:https://catboost.AI。
这个算法内置在流行平台 Amazon SageMaker 中,如果您的公司目前使用 AWS 技术栈或者想要使用 AWS 技术栈,这可能是个好消息。在回归神经网络的帮助下,它用于预测/时间序列应用中的有监督学习。
以下是使用这个算法时需要用到的输入文件字段的一些示例:
以下是使用这个算法/架构的一些优点:
易于建模——在相同的地方构建/训练/部署,速度相当快
DeepAR Forcasting 算法的文档在此。
因为没有太多的新算法需要讨论,我想包括一种能够比较几种算法的库,其中一些算法可能会更新迭代,所以比较新。这个 Python 库是开源和低代码的,可以被引用。当我开始比较并最终选择我的数据科学模型的最终算法时,它让我更加了解新的和即将流行的机器学习算法。
以下是使用这个库的一些好处:
PyCaret 的文档在此。
如果你认为这个列表很短,那么你就会意识到并不是每年都会有一组新的机器学习算法。我希望这里提到的 3 个算法或库能够增添文档并更受欢迎,因为它们非常棒且不同于通常的逻辑回归/决策树等。
总而言之,以下是 2022 年可以期待的一些新的机器学习算法:
* CatBoost - 算法
* DeepAR Forecasting - 算法/软件包
* PyCaret - 包括新算法的库
我希望您会觉得我的这篇文章既有趣又有用。无论您是否同意文中的观点,请随意在下方留言,讲讲为什么支持或反对。您认为我们还可以包括哪些更重要的算法或软件包/库?这些当然可以进一步阐明,但我希望能够阐明一些更独特的机器学习算法和库。
Matt Przybyla 高级数据科学家,人工智能、科技和教育领域的顶尖作家,《面向数据科学》(Towards Data Science)供稿作家。
原文链接
https://towardsdatascience.com/top-machine-learning-algorithms-and-python-libraries-for-2022-86820f7ca67f