工程师面试时必须掌握的6大机器学习算法及其优缺点（二）

在《工程师面试时必须掌握的6大机器学习算法及其优缺点（一）》中，我们讨论了用于构建机器学习模型的著名机器学习算法中的线性回归与逻辑回归、支持向量机 (SVM)、K-最近邻（KNN），本文将讨论后面3个算法：XGBoost、AdaBoost和ANN。

4. XGBoost (eXtreme Gradient Boosting)

Extreme Gradient Boosting (XGBoost) 是一个开源库，它提供了梯度提升算法的高效实现。

梯度提升属于集成机器学习算法，可用于分类或回归预测建模问题。

在集成方法中，该算法将来自多个机器学习算法的预测组合在一起，以做出比任何单个模型更准确的预测。

使用 XGBoost 的一些原因：

它是一种强大的算法，具有高速和高性能。

XGBoost 算法可以利用现代多核计算机的处理能力。

在大型数据集上进行训练具有成本效益。

始终优于所有单一算法方法。

5. AdaBoost（自适应提升）

AdaBoost 是一种Boosting 算法，其中包括一组利用加权平均值将弱学习器变为强学习器的算法。每个运行的模型都决定了下一个模型将关注哪些功能。

决策树在二元分类问题上的性能经常使用 AdaBoost 算法提高。它是通过从训练数据构建模型，然后创建第二个模型来尝试纠正第一个模型中的错误来完成的。

AdaBoost 会不断添加模型，直到训练集开始得到完美预测或添加给定数量的模型。与其他学习算法相比，它更不易过拟合。

AdaBoost（自适应提升）

6.人工神经网络（ANN）

人工神经网络由多个节点组成，模仿人脑的生物神经元。节点通过链接连接，它们可以相互交互。

每个节点都接受输入数据并对该数据执行简单的操作。结果被传递到其他节点。每个节点的输出称为它的激活。来自节点的每个连接都有一个与之关联的权重。ANN 每次都通过改变权重值来学习。

更多关于人工智能、机器学习等算法请关注我们或者联系作者（微信同名）。

现在，我们已经了解了可以应用于数据集和构建机器学习模型的 6 大机器学习算法。当您从事机器学习项目或者面试时，最好收藏并牢记这些算法。

本文是6月29日，全球领先的专业电子机构媒体AspenCore将与深圳市新一代信息通信产业集群联合主办【2022国际AIoT生态发展大会】，同期将举办工业互联网、智慧家庭、智慧机器人、智慧可穿戴、智慧两轮车等多场分论坛，多家企业将在论坛现场探讨AIOT领域的前景机遇。 【一键报名】现场与行业资深人士交流与互动！点击这里了解大会详情。