歐華杰

機(jī)器學(xué)習(xí)是由模式識(shí)別、人工智能計(jì)算學(xué)習(xí)理論為基礎(chǔ)所轉(zhuǎn)變的一類計(jì)算機(jī)科學(xué)分支，此也為人工智能核心，被廣泛應(yīng)用至各相關(guān)領(lǐng)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(jī)器學(xué)習(xí)模型效率越高。所以，機(jī)器學(xué)習(xí)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(duì)機(jī)器學(xué)習(xí)算法予以探討，提升數(shù)據(jù)處理價(jià)值。

一、機(jī)器學(xué)習(xí)算法概念及重要性

（一）機(jī)器學(xué)習(xí)算法概念

機(jī)器學(xué)習(xí)即Machine Learning，為一項(xiàng)多領(lǐng)域綜合學(xué)科，涉及算法復(fù)雜度理論、逼近論、統(tǒng)計(jì)學(xué)及概率論等多項(xiàng)理論。此學(xué)科將計(jì)算機(jī)如何模擬及實(shí)現(xiàn)人類學(xué)習(xí)行為作為主要研究?jī)?nèi)容，探究計(jì)算機(jī)獲取新知識(shí)、技能方式，將已存在知識(shí)結(jié)構(gòu)予以重新組織，實(shí)現(xiàn)自身性能不斷優(yōu)化。機(jī)器學(xué)習(xí)為人工智能核心，也為使計(jì)算機(jī)擁有智能的基本方式，現(xiàn)已逐漸應(yīng)用至與人工智能相關(guān)的各領(lǐng)域中，主要為綜合及歸納而并非演繹。

（二）機(jī)器學(xué)習(xí)算法重要性

機(jī)器學(xué)習(xí)為現(xiàn)階段大數(shù)據(jù)重要處理方式，可將多種優(yōu)勢(shì)予以結(jié)合，針對(duì)具體問(wèn)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(jī)器學(xué)習(xí)重要標(biāo)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(xué)習(xí)、決策樹及神經(jīng)網(wǎng)絡(luò)等，將數(shù)據(jù)予以科學(xué)處理，并將數(shù)據(jù)運(yùn)算速度予以有效提升?，F(xiàn)階段統(tǒng)計(jì)調(diào)查、商業(yè)活動(dòng)及信息網(wǎng)絡(luò)等均會(huì)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(jī)器學(xué)習(xí)予以處理。

二、機(jī)器學(xué)習(xí)典型算法分析

（一）C4.5算法

C4.5算法為目前此領(lǐng)域中較為著名的一類算法，將基于Quinlan所設(shè)計(jì)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(xiàng)預(yù)測(cè)模型，為對(duì)象值、對(duì)象屬性二者間映射關(guān)系的表現(xiàn)方式，樹中各節(jié)點(diǎn)分別代表不同對(duì)象，各分叉路徑則為某項(xiàng)可能屬性值。由數(shù)據(jù)所構(gòu)成的決策樹機(jī)器學(xué)習(xí)方式即被稱作決策樹學(xué)習(xí)，通常稱為決策樹。C4.5算法借助決策樹模型，針對(duì)不同數(shù)據(jù)以樹形結(jié)構(gòu)方式予以分類，于此基礎(chǔ)上，使計(jì)算機(jī)可針對(duì)數(shù)據(jù)開展智能處理、選擇，實(shí)現(xiàn)自我學(xué)習(xí)。

（二）K-MEANS算法

機(jī)器學(xué)習(xí)中數(shù)據(jù)相似度為一項(xiàng)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(jī)器學(xué)習(xí)重要基礎(chǔ)。僅有將數(shù)據(jù)間相似度予以精準(zhǔn)分析，方可對(duì)計(jì)算機(jī)數(shù)據(jù)處理、自我學(xué)習(xí)效率予以保證。K-MEANS算法即將數(shù)據(jù)間相似度量為基礎(chǔ)的一類間接聚類方式，將n個(gè)對(duì)象結(jié)合自身屬性分至k個(gè)分割，k

（三）SVM支持向量機(jī)算法

針對(duì)大量數(shù)據(jù)處理、分析，除需對(duì)數(shù)據(jù)開展相應(yīng)分類外，也應(yīng)于此基礎(chǔ)上開展統(tǒng)計(jì)工作。此算法為一類監(jiān)督式學(xué)習(xí)方式，以統(tǒng)計(jì)學(xué)理論中VC維理論、結(jié)構(gòu)風(fēng)險(xiǎn)最小原理為基礎(chǔ)，結(jié)合有限樣本信息于模型復(fù)雜性、學(xué)習(xí)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(jī)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(duì)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(shí)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(shí)現(xiàn)線性可分；二為將結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論為基礎(chǔ)，于特征空間中創(chuàng)建最優(yōu)分割平面，實(shí)現(xiàn)全局優(yōu)化。

三、機(jī)器學(xué)習(xí)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(dǎo)致原因?yàn)楦鳈C(jī)器學(xué)習(xí)方式并未實(shí)現(xiàn)并行化數(shù)據(jù)處理，單獨(dú)數(shù)據(jù)處理難以自主實(shí)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(jī)制，開展并行化運(yùn)轉(zhuǎn)，方可實(shí)現(xiàn)大數(shù)據(jù)整體處置。此方式主要運(yùn)行理念即為將大數(shù)據(jù)行“碎片化”處理，拆分為可交由機(jī)器獨(dú)立處理的模塊，借助各數(shù)據(jù)綜合實(shí)現(xiàn)大數(shù)據(jù)整體掌握。如以圖像處理平臺(tái)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(yùn)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(shí)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(jī)器學(xué)習(xí)精準(zhǔn)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(yīng)用成效。聚類算法首先將數(shù)據(jù)結(jié)合不同類型予以劃分，將大型數(shù)據(jù)劃分至多項(xiàng)子數(shù)據(jù)節(jié)點(diǎn)中。其次，針對(duì)所劃分完成的數(shù)據(jù)節(jié)點(diǎn)開展針對(duì)性處理，提升數(shù)據(jù)處理效率。此算法于機(jī)器學(xué)習(xí)中實(shí)際應(yīng)用途徑可分為三類：一為借助非迭代化數(shù)據(jù)擴(kuò)展方式，即通過(guò)模糊集理論，針對(duì)數(shù)據(jù)開展FCM均值聚類分析，將數(shù)據(jù)予以精準(zhǔn)分離；二為持續(xù)擴(kuò)充子集合方式，于空間層面提升數(shù)據(jù)集合精準(zhǔn)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(lǐng)域而言，具備良好優(yōu)勢(shì)，可被引用至并行運(yùn)算、分布式計(jì)算中。將大數(shù)據(jù)作為對(duì)象開展機(jī)器學(xué)習(xí)，因樣本的數(shù)據(jù)差異將會(huì)對(duì)數(shù)據(jù)處理質(zhì)量造成一定影響，除會(huì)增加數(shù)據(jù)運(yùn)算量外，也會(huì)對(duì)機(jī)器學(xué)習(xí)效率形成制約，增加數(shù)據(jù)精準(zhǔn)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(duì)原始樣本開展預(yù)處理，挑除冗余及無(wú)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(jī)器學(xué)習(xí)目標(biāo)并降低學(xué)習(xí)難度，輔助機(jī)器生成準(zhǔn)確判斷。選取樣本數(shù)據(jù)集合時(shí)，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(yīng)的最小數(shù)據(jù)集合，借助一系列測(cè)試對(duì)子集予以不斷優(yōu)化、完善。此時(shí)，計(jì)算機(jī)所找尋數(shù)據(jù)樣本可表示全部樣本且具備高科學(xué)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(dǎo)致的數(shù)據(jù)失誤，提升數(shù)據(jù)處理精準(zhǔn)性。

四、結(jié)束語(yǔ)

大數(shù)據(jù)為現(xiàn)階段研究熱點(diǎn)，需配備科學(xué)、合理機(jī)器學(xué)習(xí)算法滿足社會(huì)需求，并提升數(shù)據(jù)處理效率。結(jié)合大數(shù)據(jù)特點(diǎn)，借助聚類算法及分治算法等，增強(qiáng)數(shù)據(jù)處理?xiàng)l理性，降低數(shù)據(jù)分析、數(shù)據(jù)處理難度，增強(qiáng)機(jī)器學(xué)習(xí)能力。此外，為于大數(shù)據(jù)領(lǐng)域有所突破，還應(yīng)將傳統(tǒng)機(jī)器算法予以優(yōu)化升級(jí)，全面提升數(shù)據(jù)處理能力。