目前隨着人工智能的發展，機器學習的應用領域日益寬泛，各種機器學習適應不同的應用場景，而機器學習差別的關鍵點之一就在於所使用算法的不同，今天就為大家介紹 4 種主要的分類算法。
朴素貝葉斯分類
朴素貝葉斯分類是基於貝葉斯定理與特征條件獨立假設的分類方法，發源於古典數學理論，擁有穩定的數學基礎和分類效率。它是一種十分簡單的分類算法，當然簡單並不一定不好用。通過對給出的待分類項求解各項類別的出現概率大小，來判斷此待分類項屬於哪個類別，而在沒有多余條件的情況下，朴素貝葉斯分類會選擇在已知條件下，概率最大的類別。
貝葉斯分類算法的實質就是計算條件概率的公式。在事件 B 發生的條件下，事件 A 發生的概率為 P（A | B）來表示。
P（A | B）的概率為
在日常應用中，我們經常可以直接得出 P（A | B），而 P（B | A）直接得到比較困難，通過貝葉斯定理就可以通過 P（A | B）獲得 P（B | A）。
而朴素貝葉斯分類的正式定義則如下：
朴素貝葉斯算法在執行文本分類等工作是會有很好的效果，比如朴素貝葉斯算法常被使用於垃圾郵件的過濾分類中。
SVM算法
支持向量機（Support Vector Machine，常簡稱為 SVM）是一種監督式學習的方法，可廣泛地應用於統計分類以及回歸分析。支持向量機屬於一般化線性分類器，它能夠同時最小化經驗誤差與最大化幾何邊緣區，因此支持向量機也被稱為最大邊緣區分類器。
同時支持向量機將向量映射到一個更高維的空間里，在這個空間里建立有一個最大間隔超平面。在分開數據的超平面的兩邊建有兩個互相平行的超平面，分隔超平面使兩個平行超平面的距離最大化。假定平行超平面間的距離或差距越大，分類器的總誤差越小。
SVM 算法雖然存在難以訓練和難以解釋的問題，但是在非線性可分問題上的表現十分優秀，在非線性可分問題中常選擇 SVM 算法。
基於 KNN 的算法
K - 近鄰算法，簡稱 KNN（k-Nearest Neighbor），它同樣是一個比較簡單的分類、預測算法。對選取與待分類、待預測數據的最相似的 K 個訓練數據，通過對這 K 個數據的結果或者分類標號取平均、取眾數等方法得到待分類、待預測數據的結果或者分類標號。
K - 近鄰算法如上圖所示，有兩類不同的樣本數據，分別用藍色的小正方形和紅色的小三角形表示，而圖正中間的那個綠色的圓所標示的數據則是待分類的數據。在不知道中間那個綠色的數據是從屬於哪一類（藍色小正方形or紅色小三角形）的情況下，我們可以從它的臨近的樣本進行判斷。
如果 K=3，綠色圓點最近的 3 個鄰居是 2 個紅色小三角形和 1 個藍色小正方形，少數從屬於多數，基於統計的方法，判定綠色的這個待分類點屬於紅色的三角形一類。
如果 K=5，綠色圓點的最近的 5 個鄰居是 2 個紅色三角形和 3 個藍色的正方形，還是少數從屬於多數，基於統計的方法，判定綠色的這個待分類點屬於藍色的正方形一類。
從上文我們看到，當無法判定當前待分類點是從屬於已知分類中的哪一類時，可以依據統計學的理論看它所處的位置特征，衡量它周圍鄰居的權重，而把它歸為(或分配)到權重更大的那一類，這就是 K 近鄰算法的核心思想。
KNN 算法相比其他算法也更加簡單，並且易於理解、實現，無需估計參數與訓練。適合對稀有事件進行分類和多分類方面的問題，在這類問題方面 KNN 算法的表現比 SVM 更好。
人工神經網絡算法
人工神經網絡，簡稱神經網絡或類神經網絡，是一種模仿生物神經網絡結構和功能的數學模型或計算模型，用於對函數進行估計或近似。神經網絡由大量的人工神經元聯結進行計算。大多數情況下人工神經網絡能在外界信息的基礎上改變內部結構，是一種自適應系統。
下圖為人工神經網絡示意圖，人工神經網絡由很多的層組成，最前面這一層叫輸入層，最后面一層叫輸出層，最中間的層叫隱層，並且每一層有很多節點，節點之間有邊相連的，每條邊都有一個權重。對於文本來說輸入值是每一個字符，對於圖片來說輸入值就是每一個像素。
人工神經網絡是如何工作的？
1.前向傳播：對於一個輸入值，將前一層的輸出與后一層的權值進行運算，再加上后一層的偏置值得到了后一層的輸出值，再將后一層的輸出值作為新的輸入值傳到再后面一層，一層層傳下去得到最終的輸出值。
2.反向傳播：前向傳播會得到預測值，但是這個預測值不一定是真實的值，反向傳播的作用就是修正誤差，通過與真實值做對比修正前向傳播的權值和偏置。
人工神經網絡在語音、圖片、視頻、游戲等各類應用場景展現出了優異的性能，但是存在需要大量的數據進行訓練來提高准確性的問題。
又拍雲內容識別服務
又拍雲內容識別中使用的便是人工神經網絡算法，通過上傳圖片到樣本管理平台，首先進行人工標注圖片是否為性感圖、色情圖、廣告圖或者是暴恐圖片，標注完成后將它放到線下處理平台訓練，得出訓練模型和結果，再將模型發回線上進行智能鑒別。
人工神經網絡算法在測試中表現出了識別迅速、准確率高的特性，目前又拍雲內容識別應用於色情識別的正確率高達 99.7%。
總結
本文主要介紹了 4 種應用比較普遍的的機器學習算法，但是機器學習算法還有其他很多不同的算法，大家感興趣的可以自己去了解。除此之外，又拍雲圖像識別服務推出永久免費套餐，提供總量 2000 次 / 天的圖片檢測，等效於2000 條 / 天的文本鑒別，或 120 分鍾 / 天的視頻點播與視頻直播檢測。
推薦閱讀：