【译】微软 azure -- 机器学习算法选择的步骤
原文：
https://azuremlsimpleds.azurewebsites.net/simpleds/
预测值
实例场景：
估计产品需求
预测销售数据
决定设备服务优先级
算法选择：
序数回归：类别是有序的
泊松回归：预测事件次数
快速森林分位数回归：预测一种分布
线性回归：快速训练，针对线性模型
贝叶斯线性回归：针对线性模型，小数据集
神经网络回归：预测较精确，但训练时间长
决策森林回归：较精确，训练快速，手工选择特征
提升决策树回归：精确，训练快速，占用较大内存
预测信用风险
欺诈检测
捕获异常设备读取
算法选择：
一元SVM：100个特征以内
基于PCA的异常检测：训练快速
聚类（结构挖掘）
实例场景：
客户分类
预测客户口味
决定哪种产品会以同样的原因失败
算法选择：
K-Means
两种类别中预测某类别
实例场景：
某观点是否乐观
客户是否会续约
哪种优惠券吸引更多客户
算法选择：
二元SVM：少于100个特征，线性模型
二元平均感知器：快速训练，线性模型
二元贝叶斯点机：快速训练，线性模型
二元决策森林：精确，训练快速
二元逻辑回归：训练快速，线性模型
二元本地深度SVM：少于100个特征
二元神经网络：精确，但训练时间长
实例场景：
这条微博的心情是什么
这个客户会选择哪种服务
哪几种优惠会吸引更多客户
算法选择：
多元逻辑回归：快速训练，线性模型
多元神经网络：精确，训练时间长
多元决策森林：精确，训练时间短
多元决策丛林：精确，占用内存少（相比决策森林）
多元分类（One vs All）：取决于二元分类器
https://azuremlsimpleds.azurewebsites.net/simpleds/
预测值
实例场景：
估计产品需求
预测销售数据
决定设备服务优先级
算法选择：
序数回归：类别是有序的
泊松回归：预测事件次数
快速森林分位数回归：预测一种分布
线性回归：快速训练，针对线性模型
贝叶斯线性回归：针对线性模型，小数据集
神经网络回归：预测较精确，但训练时间长
决策森林回归：较精确，训练快速，手工选择特征
提升决策树回归：精确，训练快速，占用较大内存
找出异常情况
预测信用风险
欺诈检测
捕获异常设备读取
算法选择：
一元SVM：100个特征以内
基于PCA的异常检测：训练快速
聚类（结构挖掘）
实例场景：
客户分类
预测客户口味
决定哪种产品会以同样的原因失败
算法选择：
K-Means
两种类别中预测某类别
实例场景：
某观点是否乐观
客户是否会续约
哪种优惠券吸引更多客户
算法选择：
二元SVM：少于100个特征，线性模型
二元平均感知器：快速训练，线性模型
二元贝叶斯点机：快速训练，线性模型
二元决策森林：精确，训练快速
二元逻辑回归：训练快速，线性模型
二元提升决策树：精确，训练快速，但占用较多内存
二元决策丛林：精确，使用内存较少（相比决策森林）
相对于决策树而言，解决了在训练数据非常大的情况下，节点指数增长的问题。
更多二元决策丛林的资料二元本地深度SVM：少于100个特征
二元神经网络：精确，但训练时间长
实例场景：
这条微博的心情是什么
这个客户会选择哪种服务
哪几种优惠会吸引更多客户
算法选择：
多元逻辑回归：快速训练，线性模型
多元神经网络：精确，训练时间长
多元决策森林：精确，训练时间短
多元决策丛林：精确，占用内存少（相比决策森林）
多元分类（One vs All）：取决于二元分类器