大數(shù)據(jù)背景下機器學習算法的綜述

歐華杰

機器學習是由模式識別、人工智能計算學習理論為基礎所轉(zhuǎn)變的一類計算機科學分支，此也為人工智能核心，被廣泛應用至各相關領域中。據(jù)研究表明，多數(shù)狀態(tài)下，處理數(shù)據(jù)規(guī)模越大，機器學習模型效率越高。所以，機器學習為大數(shù)據(jù)智能分析主要方式。于大數(shù)據(jù)背景下，本文針對機器學習算法予以探討，提升數(shù)據(jù)處理價值。

一、機器學習算法概念及重要性

（一）機器學習算法概念

機器學習即Machine Learning，為一項多領域綜合學科，涉及算法復雜度理論、逼近論、統(tǒng)計學及概率論等多項理論。此學科將計算機如何模擬及實現(xiàn)人類學習行為作為主要研究內(nèi)容，探究計算機獲取新知識、技能方式，將已存在知識結構予以重新組織，實現(xiàn)自身性能不斷優(yōu)化。機器學習為人工智能核心，也為使計算機擁有智能的基本方式，現(xiàn)已逐漸應用至與人工智能相關的各領域中，主要為綜合及歸納而并非演繹。

（二）機器學習算法重要性

機器學習為現(xiàn)階段大數(shù)據(jù)重要處理方式，可將多種優(yōu)勢予以結合，針對具體問題選取最為適宜處理方式，如以2017年AlphaGO與柯潔所開展的圍棋比賽中，AlphaGO以3：0比分贏得比賽，此正為機器學習重要標志。此算法可將人為因素所造成的局限性予以突破，借助深度學習、決策樹及神經(jīng)網(wǎng)絡等，將數(shù)據(jù)予以科學處理，并將數(shù)據(jù)運算速度予以有效提升?，F(xiàn)階段統(tǒng)計調(diào)查、商業(yè)活動及信息網(wǎng)絡等均會產(chǎn)生大量數(shù)據(jù)，而傳統(tǒng)數(shù)據(jù)處理手段已難以滿足此類數(shù)據(jù)處理需求，急需機器學習予以處理。

二、機器學習典型算法分析

（一）C4.5算法

C4.5算法為目前此領域中較為著名的一類算法，將基于Quinlan所設計的ID3算法予以優(yōu)化后得到的一種分類決策樹算法。決策樹為一項預測模型，為對象值、對象屬性二者間映射關系的表現(xiàn)方式，樹中各節(jié)點分別代表不同對象，各分叉路徑則為某項可能屬性值。由數(shù)據(jù)所構成的決策樹機器學習方式即被稱作決策樹學習，通常稱為決策樹。C4.5算法借助決策樹模型，針對不同數(shù)據(jù)以樹形結構方式予以分類，于此基礎上，使計算機可針對數(shù)據(jù)開展智能處理、選擇，實現(xiàn)自我學習。

（二）K-MEANS算法

機器學習中數(shù)據(jù)相似度為一項重要概念，借助大量數(shù)據(jù)分析，找尋同原有數(shù)據(jù)具備高相似度的數(shù)據(jù)集合，為機器學習重要基礎。僅有將數(shù)據(jù)間相似度予以精準分析，方可對計算機數(shù)據(jù)處理、自我學習效率予以保證。K-MEANS算法即將數(shù)據(jù)間相似度量為基礎的一類間接聚類方式，將n個對象結合自身屬性分至k個分割，k

（三）SVM支持向量機算法

針對大量數(shù)據(jù)處理、分析，除需對數(shù)據(jù)開展相應分類外，也應于此基礎上開展統(tǒng)計工作。此算法為一類監(jiān)督式學習方式，以統(tǒng)計學理論中VC維理論、結構風險最小原理為基礎，結合有限樣本信息于模型復雜性、學習能力間找尋最優(yōu)處理路徑，以獲取最佳泛化能力。支持向量機方式為近幾年所提出的數(shù)據(jù)算法，主要思想包括以下兩層面：一為針對線性可分狀態(tài)予以分析，而線性不可分狀態(tài)則借助非線性映射算法，實現(xiàn)樣本間轉(zhuǎn)化，即由低維輸入空間線性不可分變?yōu)楦呔S特征空間，實現(xiàn)線性可分；二為將結構風險最小化理論為基礎，于特征空間中創(chuàng)建最優(yōu)分割平面，實現(xiàn)全局優(yōu)化。

三、機器學習算法于大數(shù)據(jù)處理中的主要方式

（一）數(shù)據(jù)并行算法

傳統(tǒng)數(shù)據(jù)處理方式難以充分滿足大數(shù)據(jù)處理需求，主要導致原因為各機器學習方式并未實現(xiàn)并行化數(shù)據(jù)處理，單獨數(shù)據(jù)處理難以自主實現(xiàn)大數(shù)據(jù)處置，為滿足大數(shù)據(jù)處理需求，聯(lián)合各數(shù)據(jù)處理機制，開展并行化運轉(zhuǎn)，方可實現(xiàn)大數(shù)據(jù)整體處置。此方式主要運行理念即為將大數(shù)據(jù)行“碎片化”處理，拆分為可交由機器獨立處理的模塊，借助各數(shù)據(jù)綜合實現(xiàn)大數(shù)據(jù)整體掌握。如以圖像處理平臺為例，主要算法為并行算法，將各數(shù)據(jù)處理壓力不斷降低，提高數(shù)據(jù)運算能力。并行算法需同分治算法及聚類算法等予以有效綜合，實現(xiàn)三類算法的有效融合，方可提升數(shù)據(jù)處理速度，也可于一定程度上保障機器學習精準性。

（二）聚類算法

數(shù)據(jù)處理、數(shù)據(jù)挖掘中最為常用的一類算法便為聚類算法，于大數(shù)據(jù)處理中具備良好應用成效。聚類算法首先將數(shù)據(jù)結合不同類型予以劃分，將大型數(shù)據(jù)劃分至多項子數(shù)據(jù)節(jié)點中。其次，針對所劃分完成的數(shù)據(jù)節(jié)點開展針對性處理，提升數(shù)據(jù)處理效率。此算法于機器學習中實際應用途徑可分為三類：一為借助非迭代化數(shù)據(jù)擴展方式，即通過模糊集理論，針對數(shù)據(jù)開展FCM均值聚類分析，將數(shù)據(jù)予以精準分離；二為持續(xù)擴充子集合方式，于空間層面提升數(shù)據(jù)集合精準性；三為抽樣均值算法，有效提升數(shù)據(jù)處理效率。

（三）分治算法

分治算法于大數(shù)據(jù)處理領域而言，具備良好優(yōu)勢，可被引用至并行運算、分布式計算中。將大數(shù)據(jù)作為對象開展機器學習，因樣本的數(shù)據(jù)差異將會對數(shù)據(jù)處理質(zhì)量造成一定影響，除會增加數(shù)據(jù)運算量外，也會對機器學習效率形成制約，增加數(shù)據(jù)精準分析難度，影響數(shù)據(jù)判斷質(zhì)量。而借助引用分治算法，可對原始樣本開展預處理，挑除冗余及無效數(shù)據(jù)，提升原始樣本數(shù)據(jù)集合質(zhì)量。于此處理手段下，可明確機器學習目標并降低學習難度，輔助機器生成準確判斷。選取樣本數(shù)據(jù)集合時，通常使用約減法及壓縮近鄰法等方式，數(shù)據(jù)處理原理即為尋找同大數(shù)據(jù)所相應的最小數(shù)據(jù)集合，借助一系列測試對子集予以不斷優(yōu)化、完善。此時，計算機所找尋數(shù)據(jù)樣本可表示全部樣本且具備高科學性，以此為開展數(shù)據(jù)判斷、決策提供參考。引入分治算法前，需具備滿足要求的置信范圍，于規(guī)定范圍內(nèi)開展數(shù)據(jù)剔除、數(shù)據(jù)篩選工作，如可利用Bag of Little Bootstraps，縮減因抽樣所導致的數(shù)據(jù)失誤，提升數(shù)據(jù)處理精準性。

四、結束語

大數(shù)據(jù)為現(xiàn)階段研究熱點，需配備科學、合理機器學習算法滿足社會需求，并提升數(shù)據(jù)處理效率。結合大數(shù)據(jù)特點，借助聚類算法及分治算法等，增強數(shù)據(jù)處理條理性，降低數(shù)據(jù)分析、數(shù)據(jù)處理難度，增強機器學習能力。此外，為于大數(shù)據(jù)領域有所突破，還應將傳統(tǒng)機器算法予以優(yōu)化升級，全面提升數(shù)據(jù)處理能力。