云機器學習服務(wù)精彩回顧
Amazon，Microsoft，Databricks，Google，HPE和IBM的機器學習工具在廣度、深度及易用性上都具備優(yōu)勢。
機器學習具有多種形式，其中最純粹的一種可以為分析師提供一組數(shù)據(jù)探索工具、ML模型選擇、穩(wěn)健的解決方案以及將此方案用于預測的使用方法。
Amazon，Microsoft，Databricks，Google和IBM的云服務(wù)都提供預測API，來進行多重管控。HPE Haven OnDemand還提供了一個有限的預測API，用于解決二元分類問題。
然而，并不是所有的機器學習問題都必須從頭開始解決。有些問題可以用在一個足夠大的樣本中，通過訓練使其廣泛適用。例如，“canned”方案就能夠有效解決語音識別、語音合成、文本分析及人臉識別中存在的問題。不用驚奇，許多云機器學習提供商都會利用一個API，讓開發(fā)者在應用程序內(nèi)能實現(xiàn)這些功能。
這些功能可以識別美式英語口語（和其他一些語言）并將其轉(zhuǎn)錄。但對于給定的說話者而言，給定的服務(wù)能否奏效將取決于他的方言和口音，以及該服務(wù)在類似方言和口音上的受訓程度。Microsoft Azure，IBM，Google和Haven On Demand都啟動了語音識別服務(wù)。
機器學習也存在多種問題。例如，回歸問題試圖從觀察結(jié)果中預測一個連續(xù)變量（例如銷售情況），分類問題試圖通過一組給定的觀測值預測種類（例如垃圾郵件）。但是仍然有一些相對完整的工具包，像Amazon，Microsoft，Databricks，Google，HPE和IBM所提供的工具，就可以用來解決一系列的機器學習問題。
本文將簡要地介紹六個商業(yè)機器學習方案，還會貼出五個完整實驗結(jié)果。不幸的是，Google三月份所宣布的——基于云計算的機器學習工具和應用程序，還沒能使Google Cloud Machine Learning達到公共可用的程度。
Amazon Machine Learning
Amazon一直致力于研究大眾化的機器學習平臺，用來服務(wù)那些熟悉業(yè)務(wù)問題的分析人員，無論他們是否理解數(shù)據(jù)科學或機器學習算法。
一般來說，要使用Amazon Machine Learning需要經(jīng)過三個步驟：首先，在S3中清理和上傳CSV格式數(shù)據(jù)；然后，創(chuàng)建、訓練和評估ML模型；最后，創(chuàng)建批處理或?qū)崟r預測。每一步都是迭代的，在整個過程中也同樣如此。所以機器學習并不是一個簡單、靜態(tài)的萬能藥，即使Amazon已經(jīng)實現(xiàn)了算法優(yōu)選。
Amazon Machine Learning支持三種模型：二元分類、多級分類和回歸——一個算法適用一種類型。為了優(yōu)化，Amazon Machine Learning使用SGD（Stochastic Gradient Descent），將多個連續(xù)的訓練數(shù)據(jù)進行傳遞，并更新功能權(quán)重使之成為小批量格式，讓損失函數(shù)最小化。損失函數(shù)反映了實際值和預測值之間的區(qū)別，而且梯度下降優(yōu)化方法只適用于連續(xù)、可微的損失函數(shù)，例如物流損失函數(shù)和平方損失函數(shù)。
Amazon Machine Learning將邏輯回歸（物流損失函數(shù)+SGD）用于二元分類。
Amazon Machine Learning將多項邏輯回歸（多項物流損失函數(shù)+SGD）用于多級分類。
Amazon Machine Learning將線性回歸（平方損失函數(shù)+SGD）用于回歸。
在使用Amazon Machine Learning訓練和評估二元分類模型后，可以選擇分數(shù)閾值來實現(xiàn)想要的錯誤率。這里在默認0.5的閾值上有所增加，就可以生成一套更強的引線，有利于更快達到營銷和銷售目的。
Amazon Machine Learning決定了機器學習是任務(wù)解決型而不是目標數(shù)據(jù)型。例如，預測數(shù)值目標變量的問題，意味著回歸；預測非數(shù)字目標變量的問題時，如果只有兩個目標就是二元分類，如果有兩個以上則是多級分類。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%