Netflix工程總監(jiān)眼中的分類算法：深度學習優(yōu)先級最低

針對Quora上的一個老問題：不同分類算法的優(yōu)勢是什么？Netflix公司工程總監(jiān)Xavier Amatriain近日給出新的解答，他根據奧卡姆剃刀原理依次推薦了邏輯回歸、SVM、決策樹集成和深度學習，并談了他的不同認識。他并不推薦深度學習為通用的方法，這也側面呼應了我們之前討論的問題：深度學習能否取代其他機器學習算法。

不同分類算法的優(yōu)勢是什么？例如有大量的訓練數據集，上萬的實例，超過10萬的特征，我們選擇哪種分類算法最好？Netflix公司工程總監(jiān)Xavier Amatriain認為，應當根據奧卡姆剃刀原理（Occam’s Razor）來選擇算法，建議先考慮邏輯回歸。

• 選擇一個合理的算法可以從很多方面來考察，包括：
• 訓練實例的數量？
• 特征空間的維度？
• 是否希望該問題線性可分？
• 特征是否是獨立的？
• 是否預期特征能夠線性擴展？
• 過度擬合是否會成為一個問題？
• 系統(tǒng)在速度/性能/內存使用等方面的要求如何？

邏輯回歸

作為一般的經驗法則，我建議先考慮邏輯回歸（LR，Logistic Regression）。邏輯回歸是一個漂亮乖巧的分類算法，可以訓練你希望的特征大致線性和問題線性可分。你可以很容易地做一些特征引擎把大部分的非線性特征轉換為線性。邏輯回歸對噪聲也相當強勁，能避免過度擬合，甚至使用L2或L1正則化做特征選擇。邏輯回歸也可以用在大數據場景，因為它是相當有效的，并且可以分布使用，例如ADMM。 邏輯回歸的最后一個優(yōu)點是，輸出可以被解釋為概率。這是一個好的附加作用，例如，你可以使用它排名而不是分類。

即使在你不希望邏輯回歸100%地工作，你也可以幫自己一個忙，在使用“票友”辦法之前，運行一個簡單的L2正則化邏輯回歸作為基線。

好了，現在你已經設置邏輯回歸基線，下一步你應該做的，我基本上會推薦兩個可能的方向：支持向量機（SVM）或者決策樹集成。如果我不知道你的具體問題，我肯定會選擇后者，但我將開始描述為什么SVM可能是一個值得考慮的方法。

支持向量機

支持向量機使用一個與LR不同的損失函數（Hinge）。它們也有不同的解釋（maximum-margin）。然而，在實踐中，用線性核函數的SVM和邏輯回歸是沒有很大的不同的（如果你有興趣，你可以觀察Andrew Ng在他的Coursera機器學習課程如何從邏輯回歸中驅動SVM）。用SVM代替邏輯回歸的一個主要原因可能是因為你的問題線性不可分。在這種情況下，你將不得不使用有非線性內核的SVM（如RBF）。事實上，邏輯回歸也可以伴隨不同的內核使用，但出于實際原因你更可能選擇SVM。另一個使用SVM的相關理由可能是高維空間。例如，SVM已經被報道在工作文本分類方面做得更出色。

不幸的是，SVM的主要缺點是，它們的訓練低效到痛苦。所以，對于有大量訓練樣本的任何問題，我都不會推薦SVM。更進一步地說，我不會為大多數“工業(yè)規(guī)模”的應用程序推薦SVM。任何超出玩具/實驗室的問題可能會使用其他的算法來更好地解決。

決策樹集成

第三個算法家族：決策樹集成（Tree Ensembles）。這基本上涵蓋了兩個不同的算法：隨機森林（RF）和梯度提升決策樹（GBDT）。它們之間的差異隨后再談，現在先把它們當做一個整體和邏輯回歸比較。

決策樹集成有超過LR的不同優(yōu)勢。一個主要優(yōu)勢是，它們并不指望線性特征，甚至是交互線性特性。在LR里我沒有提到的是，它幾乎不能處理分類（二進制）特性。而決策樹集成因為僅僅是一堆決策樹的結合，可以非常好地處理這個問題。另一主要優(yōu)點是，因為它們構造了（使用bagging或boosting）的算法，能很好地處理高維空間以及大量的訓練實例。

至于RF和GBDT之間的差別，可以簡單理解為GBDT的性能通常會更好，但它們更難保證正確。更具體而言，GBDT有更多的超參數需要調整，并且也更容易出現過度擬合。RF幾乎可以“開箱即用”，這是它們非常受歡迎的一個原因。

深度學習

最后但并非最不重要，沒有深度學習的次要參考，這個答案將是不完整的。我絕對不會推薦這種方法作為通用的分類技術。但是，你可能會聽說這些方法在某些情況下（如圖像分類）表現如何。如果你已經通過了前面的步驟并且感覺你的解決方案還有優(yōu)化的空間，你可能嘗試使用深度學習方法。事實是，如果你使用一個開源工具（如Theano）實現，你會知道如何使這些方法在你的數據集中非?？斓貓?zhí)行。

總結

綜上所述，先用如邏輯回歸一樣簡單的方法設定一個基準，如果你需要，再使問題變得更加復雜。這一點上，決策樹集成可能正是要走的正確道路，特別是隨機森林，它們很容易調整。如果你覺得還有改進的余地，嘗試GBDT，或者更炫一些，選擇深度學習。

你還可以看看Kaggle比賽。如果你搜索關鍵字“分類”，選擇那些已經完成的，你能找到一些類似的東西，這樣你可能會知道選擇一個什么樣的方法來贏得比賽。在這一點上，你可能會意識到，使用集成方法總容易把事情做好。當然集成的唯一問題，是需要保持所有獨立的方法并行地工作。這可能是你的最后一步，花哨的一步。

編輯點評：Xavier Amatriain不推薦深度學習為通用算法的理由，并不能說是因為深度學習不好，而是因為深度學習會增加復雜性及成本，卻無法保證在所有的場景表現出比邏輯回歸、SVM及決策樹集成更優(yōu)的結果。事實上，Xavier Amatriain的Netflix團隊早已開始研究人工神經網絡和深度學習技術，希望借助AWS云服務和GPU加速的分布式神經網絡，分析網民最愛看的電影電視劇，實現節(jié)目的個性化推薦。

Netflix推薦系統(tǒng)架構（圖片來自Xavier Amatrain參與撰寫的Netflix官方博客）

此后，Xavier Amatriain還分享了Netflix機器學習實踐的十大經驗教訓，大致包括：

• 更多的數據需要與更好的模型之匹配
• 你可能不需要所有的大數據
• 更復雜的模型未必意味著更好的結果，可能是你的樣本集太簡單
• 要充分考慮你的訓練數據
• 學會處理偏差
• UI是聯系算法和最重要的用戶之間唯一通道
• 正確的演進方式比數據和模型更重要
• 分布式算法重要，知道在哪個層級使用它更重要
• 選擇合適的度量自動超參數優(yōu)化
• 并非所有的事都能離線完成，近線處理也是一種選擇

原文出處： Quora???譯文出處：ITEYE

End.

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。