2022 年顶级机器学习算法和 Python 库 _机器学习

文章插图

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 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。
CatBoostCatBoost 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：

无需担心参数调整——默认值通常会胜出，通常不值得手动调整，除非您想通过手动更改值来针对特定的异常分布
更准确——不太过拟合，并且当您使用更具分类性的特征时，往往会得到更准确的结果
快速——这种算法往往比其它基于树的算法更快，因为它不必担心用于示例的使用独热编码（one-hot encoding）的大型稀疏数据集，因为它使用了一种目标编码
更快地预测——您可以更快地训练，这样您也就可以更快地使用您的 CatBoost 模型进行预测
SHAP——这个库被集成，便于解释整体模型的特征重要性以及特定预测总的来说， CatBoost 非常棒，因为它易于使用、功能强大，在算法领域具有竞争力，并且可以列在您的简历中来增光添彩。它可以帮助您创建更好的模型，最终使您的项目更好地为您的公司服务。

CatBoost 的文档在此：https://catboost.ai 。
DeepAR Forecasting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：

start
target
dynamic _feat
cat

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

简单的架构——聚焦于更少的编码，更多地关注您的数据和需要解决的业务问题当然，这个算法还有更多优点，所以我只是简单地介绍了下，因为不是所有的读者都在使用 AWS 。

DeepAR Forcasting 算法的文档在此。
PyCaret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。