技術中心技術專欄

技術中心

所有分類

10個常用的AI機器學習演算法及應用實例

Aug.01,2024

快速導覽

前言
10個常用的機器學習演算法
用簡單的案例解釋各演算法
我應該選擇哪一種演算法?
演算法參考統整表
結論

前言

作者：瑞其科技 Peggy

隨著科技的發展，AI逐漸改變我們的生活，例如，當您在網上購物時，推薦系統會根據您的喜好推薦商品，這背後就有AI機器學習的功勞。

這些來自AI的影響，小至日常生活中的網頁推薦，大至生產線的品管系統。為了讓讀者能夠更好地理解這些技術，我們準備了一份指南，介紹10個最常用的機器學習演算法，以及各自適合的應用領域和題目。

10個常用的機器學習演算法

（點擊演算法可直接跳到案例解釋）

線性回歸	邏輯回歸
類神經網路	決策樹
K-近鄰算法	支持向量機
K-均值聚類	隨機森林
單純貝氏分類器	梯度提升機

用簡單的案例解釋各演算法

演算法	舉例解釋	通常應用在什麼領域
線性回歸	根據房子的面積、位置和房齡等其他特徵，預測房子的價格。延伸閱讀：【AI應用案例－5分鐘系列】房價預測	金融預測醫學社會科學
類神經網路	假設你在畫畫比賽中，參賽者畫了很多不同風格的貓。你希望建立一個模型來判斷每幅畫是不是貓。類神經網路會學習所有這些貓的畫作，找出它們的共同特徵，比如耳朵、鬍鬚和尾巴，然後用這些特徵來判斷新畫作是不是貓。延伸閱讀：【預測車架結構應力】	圖像識別語音識別自然語言處理遊戲AI
K-近鄰算法	假設你在學校，有新同學來了，你想知道他喜歡什麼樣的運動。你可以問他周圍的幾個同學，他們喜歡什麼運動。如果大多數周圍的同學喜歡籃球，那麼這個新同學也很可能喜歡籃球。 K-近鄰算法就是根據這種鄰近的概念來進行分類。延伸閱讀：【AI大數據之軸承破壞預測】	推薦系統模式識別文本分類
K-均值聚類	假設你是一個銷售業務主管，你有一批客戶數據，包括他們的購買記錄和消費習慣。可以使用K-均值聚類將客戶分成3個群組。根據不同類型的客戶特徵，針對性地制定行銷策略，提升整體銷售業績，實現精準行銷。延伸閱讀：【AI大數據之軸承破壞預測】	圖像分割壓縮客戶分群市場分析
單純貝氏分類器	假設你想判斷一封郵件是垃圾郵件還是正常郵件。貝氏分類器會根據郵件中出現的詞語特徵，計算這封郵件是垃圾郵件的機率。例如，如果郵件中出現了「免費」、「贏得獎品」等詞語特徵，那麼它有極大的可能被判斷成垃圾郵件。	垃圾郵件檢測文字內容分類情感分析
邏輯回歸	假設你是一家醫院的醫療主管，負責管理病人的數據。希望可以根據病人的檢查結果，利用數據分析預測他們是否患有某種心臟疾病。可以使用邏輯回歸內的數據(年齡、性別、血壓、膽固醇數值等資訊)來幫助你進行這種預測。藉由使用邏輯回歸模型，可根據病人的檢查結果，提早預測他們是否患有心臟疾病，及時地進行評估和治療，最終提高治療效果和病人的生存率。延伸閱讀：【AI數據分析之馬達性能預測】	醫療診斷信用風險評估行銷分析
決策樹	假設你是一個產品開發部門的數據分析師，希望能夠從市調資料了解某些商品的客群特徵，規劃未來產品開發方向。可以使用決策樹這個機器學習模型，根據購買者的年齡、性別、生活習慣等資料，藉由決策樹一步一步地分類，來了解每種商品最有可能的客群的特徵。延伸閱讀：【AI大數據之軸承破壞預測】【機械手臂故障預測】	市場分析風險管理醫療診斷
支持向量機	假設你是一個運動教練，負責挑選和訓練運動員。希望根據運動員的體格（如身高、體重）來判斷他們適合參加哪種運動項目。支持向量機能夠找到一個最佳的平面，使得籃球運動員和足球運動員的在這個空間中上盡可能地被區隔開來。例如在二維空間中，這個超平面可以是一條直線，將具有特定身高和體重特徵的運動員分開。	圖像識別文字內容分類醫療診斷
隨機森林	假設你和你的朋友們一起決定今天要不要去公園。每個朋友根據自己的經驗和天氣預報給出一個建議。你最後綜合大家的建議做出決定。如果大多數朋友說天氣不錯，你就決定去公園。這就像隨機森林一樣，把多個人的意見結合起來，做出更準確的決定。延伸閱讀：【AI大數據之軸承破壞預測】	信用風險評估醫療診斷營銷分析
梯度提升機	假設你是銀行放貸部門的主管，負責審核和批准貸款申請。你希望根據申請人的財務資料（如收入、信用評分、債務比率等）來預測他們是否會拖欠貸款。通過使用梯度提升機，你可以根據貸款申請人的財務數據準確預測他們是否會拖欠貸款。根據模型的預測結果做出更為明智的貸款決策，降低貸款風險，並提升業務效率。延伸閱讀：【水泥配方最佳化設計】【金屬加工缺陷之AI圖像分類】	信用風險評估預測分析營銷分析

我應該選擇哪一種演算法？

資料確認：

確認手上的資料類型、資料量的大小、品質、特徵參數的數量等等

分析/預測的需求：

簡單來說就是要知道自己想做什麼，例如只需要對大量資料做分類，或是需要更進一步對未來進行預測。

確認題目的複雜度：

根據題目的複雜性選擇模型Ex：簡單模型（如邏輯回歸）適合基本問題，而複雜模型（如深度學習）適合大規模數據和複雜模式。

參考文獻與相關案例：

查閱相關文獻和成功案例，了解其他人在類似問題中使用的演算法。

藉由這幾點，完成資料準備後，可以更有效率地選擇適合的機器學習方法。

演算法參考統整表

類型	應用	適合的輸入資料規模	模型複雜度	模型自我的學習能力
線性回歸	預測	中等	容易	低
類神經網路	識別、預測、自我學習	大	困難	高
K-近鄰算法	分群分類	小到中等	容易	無（不需要訓練）
K-均值聚類	分群分類	小到中等	中等	低
單純貝氏分類器	分群分類	中等	容易	低
邏輯回歸	預測、分群分類	中等	容易	低
隨機森林	預測、分群分類	大	中等	中等到高
決策樹	預測、分群分類	中等	中等	中等
支持向量機	識別、分群分類	小到中等	中等到困難	中等
梯度提升機	預測、自我學習	大	困難	高

延伸閱讀：2024大數據預測模型基礎知識：監督式學習模型建立流程

結論

機器學習演算法是大數據分析和人工智慧AI的核心技術，能自動從大數據中歸納出關係，並進行預測。選擇合適的演算法需考慮問題性質、資料的特性及分析的目標需求，此外資料的數量、品質與執行特徵工程的結果，也會影響模型的準確度。隨著技術進步，AI將持續推動創新，改變我們的生活方式。

瑞其科技是＂CAE與AI數據分析的專家＂，我們完成了許多成功的案例實績。

▶ 現在就聯絡我們，取得更多資訊。
▶ 訂閱瑞其Youtube頻道，探索更多CAE與數據分析。

返回列表

演算法	舉例解釋	通常應用在什麼領域
線性回歸	根據房子的面積、位置和房齡等其他特徵，預測房子的價格。延伸閱讀：【AI應用案例－5分鐘系列】房價預測	金融預測醫學社會科學
類神經網路	假設你在畫畫比賽中，參賽者畫了很多不同風格的貓。你希望建立一個模型來判斷每幅畫是不是貓。類神經網路會學習所有這些貓的畫作，找出它們的共同特徵，比如耳朵、鬍鬚和尾巴，然後用這些特徵來判斷新畫作是不是貓。延伸閱讀：【預測車架結構應力】	圖像識別語音識別自然語言處理遊戲AI
K-近鄰算法	假設你在學校，有新同學來了，你想知道他喜歡什麼樣的運動。你可以問他周圍的幾個同學，他們喜歡什麼運動。如果大多數周圍的同學喜歡籃球，那麼這個新同學也很可能喜歡籃球。 K-近鄰算法就是根據這種鄰近的概念來進行分類。延伸閱讀：【AI大數據之軸承破壞預測】	推薦系統模式識別文本分類
K-均值聚類	假設你是一個銷售業務主管，你有一批客戶數據，包括他們的購買記錄和消費習慣。可以使用K-均值聚類將客戶分成3個群組。根據不同類型的客戶特徵，針對性地制定行銷策略，提升整體銷售業績，實現精準行銷。延伸閱讀：【AI大數據之軸承破壞預測】	圖像分割壓縮客戶分群市場分析
單純貝氏分類器	假設你想判斷一封郵件是垃圾郵件還是正常郵件。貝氏分類器會根據郵件中出現的詞語特徵，計算這封郵件是垃圾郵件的機率。例如，如果郵件中出現了「免費」、「贏得獎品」等詞語特徵，那麼它有極大的可能被判斷成垃圾郵件。	垃圾郵件檢測文字內容分類情感分析
邏輯回歸	假設你是一家醫院的醫療主管，負責管理病人的數據。希望可以根據病人的檢查結果，利用數據分析預測他們是否患有某種心臟疾病。可以使用邏輯回歸內的數據(年齡、性別、血壓、膽固醇數值等資訊)來幫助你進行這種預測。藉由使用邏輯回歸模型，可根據病人的檢查結果，提早預測他們是否患有心臟疾病，及時地進行評估和治療，最終提高治療效果和病人的生存率。延伸閱讀：【AI數據分析之馬達性能預測】	醫療診斷信用風險評估行銷分析
決策樹	假設你是一個產品開發部門的數據分析師，希望能夠從市調資料了解某些商品的客群特徵，規劃未來產品開發方向。可以使用決策樹這個機器學習模型，根據購買者的年齡、性別、生活習慣等資料，藉由決策樹一步一步地分類，來了解每種商品最有可能的客群的特徵。延伸閱讀：【AI大數據之軸承破壞預測】【機械手臂故障預測】	市場分析風險管理醫療診斷
支持向量機	假設你是一個運動教練，負責挑選和訓練運動員。希望根據運動員的體格（如身高、體重）來判斷他們適合參加哪種運動項目。支持向量機能夠找到一個最佳的平面，使得籃球運動員和足球運動員的在這個空間中上盡可能地被區隔開來。例如在二維空間中，這個超平面可以是一條直線，將具有特定身高和體重特徵的運動員分開。	圖像識別文字內容分類醫療診斷
隨機森林	假設你和你的朋友們一起決定今天要不要去公園。每個朋友根據自己的經驗和天氣預報給出一個建議。你最後綜合大家的建議做出決定。如果大多數朋友說天氣不錯，你就決定去公園。這就像隨機森林一樣，把多個人的意見結合起來，做出更準確的決定。延伸閱讀：【AI大數據之軸承破壞預測】	信用風險評估醫療診斷營銷分析
梯度提升機	假設你是銀行放貸部門的主管，負責審核和批准貸款申請。你希望根據申請人的財務資料（如收入、信用評分、債務比率等）來預測他們是否會拖欠貸款。通過使用梯度提升機，你可以根據貸款申請人的財務數據準確預測他們是否會拖欠貸款。根據模型的預測結果做出更為明智的貸款決策，降低貸款風險，並提升業務效率。延伸閱讀：【水泥配方最佳化設計】【金屬加工缺陷之AI圖像分類】	信用風險評估預測分析營銷分析