Python和R中机器学习算法的比较

这份列出了Python和R中最常用的机器学习算法的清单，旨在帮助新手工程师和爱好者熟悉最常用的算法

Python 和 R 是最常用的机器学习编程语言之一。两者都是开源且易于使用的，但是 Python 是通用编程语言，而 R 是一种统计编程语言。这使得它非常适合各种数据角色和应用，如数据挖掘。

这两种编程语言还可以鼓励重复使用，这意味着新手机器学习工程师和爱好者不必从头编写代码。使用它们构建项目是关于集成正确的模块和算法-你只需要知道在哪里寻找。为了帮助你，我们编制了一份关于 Python 和 R 中最常用的一些机器学习算法列表。确保将此指南加入书签，并在遇到问题时参考它。

• UC Berkeley和Meta AI研究人员提出了一种拉格朗日动作识别模型，通过融合3D姿态和上下文化外观来跟踪轨迹
• 认识CoDi：一种新的跨模态扩散模型，可用于任意合成
• 来自萨里大学的研究人员推出了一款基于素描的机器学习物体检测工具，具有颠覆性的影响

1. K-Means 聚类算法

顾名思义，机器学习最终是关于教授计算机系统以便它们能够自主运行。这可以通过监督或无监督学习来实现。

一种执行后者的方法是使用 K-Means 聚类算法，该算法通过将类似的数据点分组（聚类）来查找数据集中的模式。

在 R 编程语言中，通常使用 k-means 函数执行 k-means 聚类。不幸的是，Python 似乎没有一个简单明了的开箱即用解决方案。使用 sci-kit-learn 库的 sklearn.cluster.KMeans 类与 matplotlib.pyplot 库通常会执行 Python 中的 k-means 聚类。

K-Means 聚类算法是最广泛用于无监督机器学习的算法之一，你很可能在早期或以后运行它或需要使用它。因此，这是你应该学习和掌握的第一个算法之一。

2. 决策树

决策树算法因其易用性和可用性而受到青睐。它是一种监督式机器学习算法，通常用于分类。例如，公司可以使用它来确定如何通过聊天机器人处理困难客户。

决策树教机器如何从以往的经验中做出选择。其中一个原因是，它可以被建模和可视化地表示为图表或图表，这使其对具有传统编程技能的人具有吸引力。

有两种主要类型的决策树：

• 连续变量决策树：指具有无限目标变量的决策树。
• 分类变量决策树：指具有分组有限目标变量的决策树。

在 R 编程语言中，最关注决策树的包和类包括：

• Datasets
• caTools
• party
• dplyr
• magrittr

再次说明，你必须从外部查找 Python 模块来实现此算法。与 k-means 聚类算法一样，sci-kit-learn 包含大量用于决策树的模块，其中 sklearn.tree 是最相关的。你还可以使用 Graphviz 模块以编程方式呈现决策树的图形表示。

3. 线性回归分析

线性回归是另一种广泛使用的监督式机器学习算法。线性回归分析的目标是根据一个变量或一组变量推断出结果或价值。

像大多数算法一样，最好的方法是使用两个轴的图形来可视化这一点。Y 轴表示因变量，而 X 轴则保持自变量。线性回归分析的目标是形成或找到这两个变量之间的关系。

如果自变量的增加导致因变量的增加（类似于指数增长），则称为正相关关系。另一方面，如果因变量的值随着自变量的值增加而减少（类似于指数衰减），则称为负相关关系。

我们使用最佳拟合线来确定关系，可以使用斜率截距线性方程 y=mx+b 表示。

但是，我们如何在 R 和 Python 中实现线性回归呢？在 R 编程语言中，最关注线性回归分析的包是：

• ggplot2
• dplyr
• broom
• ggpubr

gg 包用于创建和绘制图表，而 dplyr 和 broom 用于操作和显示数据。你可以使用 sklearn.linear_model 在 Python 中构建线性回归模型。你还可以添加 NumPY 来处理大型矩阵和数组。

4. 逻辑回归

与线性回归一样，逻辑回归允许我们基于另一个（组）变量的值来预测变量的值。然而，线性回归使用度量值，而逻辑回归使用离散变量。这些是只能有两个值（是或否，0或1，真或假等）的二元变量。

在现实世界中，这可以用于确定一个人购买产品的可能性（零售）或他们患病的可能性（医疗保健）。例如，我们可以使用年龄，身高和体重作为自变量（x）。二元结果将是因变量（y）。因此，x是实数的定义域，而y包含离散值。

逻辑回归的目标是估计（预测）结果或发生的概率。因为y值的值是二进制的，所以我们不能使用线性方程，必须使用激活函数。

使用Sigmoid函数来表示逻辑回归：

f（x）= L / 1 + e^(-x)

或

y = 1 /（1 + e^-(a+b1x1+b2x2+b3x3+…)）

与逻辑回归相关的Python包和模块有：

• matplotlib.pyplot
• sklearn.linear_model
• sklearn.metrics

使用R生成逻辑回归的过程要简单得多，可以使用glm（）函数完成。

5. 支持向量机

支持向量机（SVM）算法主要用于分类，但也可用于基于回归的任务。SVM是分类的最简单方法之一。

在SVM中，必须分类的对象在n维空间中表示为一个点。该点的每个坐标称为其特征。SVM试图通过首先绘制一个超平面，使每个类别的所有点都在两侧来对对象进行分类。

虽然可能存在多个超平面，但SVM尝试找到最佳分离两个类别的超平面。它主要是通过找到类别之间的最大距离（称为间隔）来实现的。触及或直接落在边缘上的点称为支持向量。

由于SVM是一种有监督的机器学习方法，它需要训练数据。您可以使用sklearn的专用SVM模块在Python中实现此机器学习算法。在R中，通常使用等高线和绘图函数来处理SVM。

结论

这些算法中的许多都证明了机器学习在概率和统计上的依赖性。虽然R先于现代机器学习工程，但它与之相关，因为它是一种统计编程语言。因此，这些算法中的许多可以轻松地构建或直接实现。

Python是一种多范式通用编程语言，因此具有更广泛的用途。Sci-kit-learn是Python机器学习模块中最值得信赖的库。如果您想了解更多关于上述算法和其他算法的信息，请访问该库的官方网站。

Nahla Davies是一名软件开发人员和技术作家。在全职从事技术写作之前，她曾担任过一家5000家体验品牌机构的首席程序员，其客户包括三星，时代华纳，Netflix和索尼等。