大數據分析到底需要多少種工具？

摘要

JMLR雜志上最近有一篇論文，作者比較了179種不同的分類學習方法（分類學習算法）在121個數據集上的性能，發現Random Forest（隨機森林）和SVM（支持向量機）分類準確率最高，在大多數情況下超過其他方法。本文針對“大數據分析到底需要多少種工具？”這一問題展開討論，總結機器學習領域多年來積累的經驗規律，繼而導出大數據分析應該采取的策略。

1．分類方法大比武

大數據分析主要依靠機器學習和大規模計算。機器學習包括監督學習、非監督學習、強化學習等，而監督學習又包括分類學習、回歸學習、排序學習、匹配學習等（見圖1）。分類是最常見的機器學習應用問題，比如垃圾郵件過濾、人臉檢測、用戶畫像、文本情感分析、網頁歸類等，本質上都是分類問題。分類學習也是機器學習領域，研究最徹底、使用最廣泛的一個分支。

 

機器學習

圖1 機器學習分類體系

最近、Fernández-Delgado等人在JMLR（Journal of Machine Learning Research，機器學習頂級期刊）雜志發表了一篇有趣的論文。他們讓179種不同的分類學習方法（分類學習算法）在UCI 121個數據集上進行了“大比武”（UCI是機器學習公用數據集，每個數據集的規模都不大）。結果發現Random Forest（隨機森林）和SVM（支持向量機）名列第一、第二名，但兩者差異不大。在84.3%的數據上、Random Forest壓倒了其它90%的方法。也就是說，在大多數情況下，只用Random Forest 或 SVM事情就搞定了。

2．幾點經驗總結

大數據分析到底需要多少種機器學習的方法呢？圍繞著這個問題，我們看一下機器學習領域多年得出的一些經驗規律。

大數據分析性能的好壞，也就是說機器學習預測的準確率，與使用的學習算法、問題的性質、數據集的特性包括數據規模、數據特征等都有關系。

一般地，Ensemble方法包括Random Forest和AdaBoost、SVM、Logistic Regression 分類準確率最高。

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，當數據規模小的時候，性能往往有較大差異，但當數據規模增大時，性能都會逐漸提升且差異逐漸減小。也就是說，在大數據條件下，什么方法都能work的不錯。參見圖2中Blaco & Brill的實驗結果。

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

在實際應用中，要提高分類的準確率，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果，而好的特征的提取需要對問題的深入理解。

大數據

圖2 不同機器學習方法在數據集增大時的學習曲線。

3．應采取的大數據分析策略

建立大數據分析平臺時，選擇實現若干種有代表性的方法即可。當然，不僅要考慮預測的準確率，還有考慮學習效率、開發成本、模型可讀性等其他因素。大數據分析平臺固然重要，同時需要有一批能夠深入理解應用問題，自如使用分析工具的工程師和分析人員。
只有善工利器，大數據分析才能真正發揮威力。