Ын Анналин, Су Кеннет

1.2. Выбор алгоритма
В этой книге мы рассмотрим более десяти алгоритмов, ис-
пользуемых для анализа данных. Выбор алгоритма зависит 
от задачи, которую мы хотим решить. Существуют три 
основных класса. В табл. 3 приведены алгоритмы, которые 
будут рассмотрены в этой книге в соответствии с ними.

---

28
Глава 1
. 
Об основах без лишних слов
Таблица 3. Алгоритмы и их категории
Алгоритмы
Обучение 
без учителя
Метод k-средних
Метод главных компонент
Ассоциативные правила
Анализ социальных сетей
Обучение 
с учителем
Регрессионный анализ
Метод k-ближайших соседей
Метод опорных векторов
Дерево решений
Случайные леса
Нейросети
Многорукие бандиты
Обучение 
с подкреплением
Обучение без учителя
Задача: найти закономерности в наших данных.
Когда требуется найти скрытые закономерности в нашем 
наборе данных, мы можем воспользоваться алгоритмами 
обучения без учителя. Так называют алгоритмы, исполь-
зуемые тогда, когда мы не знаем, какие закономерности 
искать, и предоставляем их поиск самим алгоритмам.
В табл. 1 такая модель может использоваться либо для 
изучения товаров, часто покупаемых вместе (с использо-
ванием ассоциативных правил, глава 4), либо для груп-

---

1.2. Выбор алгоритма
29
пировки покупателей на основе их приобретений (объ-
ясняется в главе 2).
Результаты модели, построенной при обучении без 
учителя, мы можем подтвердить косвенным образом, 
если группы соответствуют уже известным категориям 
(то есть травоядным или хищникам).
Обучение с учителем
Задача:
 использовать для прогнозирования заданные ша-
блоны.
Когда нам требуется прогноз, могут использоваться алго-
ритмы обучения с учителем. Так называются алгоритмы, 
предсказания которых основаны на уже существующих 
шаблонах.
В табл. 1 такая модель может научиться предугадывать 
количество приобретаемых фруктов (предсказание), 
исходя из вида покупателя и того, покупает ли он рыбу 
(предикторные переменные).
Мы можем явно проверить точность модели, введя дан-
ные о виде покупателя и его склонности брать рыбу, а за-
тем выяснив, насколько предсказание близко к реальному 
количеству фруктов.
Когда мы предсказываем целые или непрерывные числа, 
такие как количество фруктов, мы решаем проблему ре-
грессии (рис. 1, а). А когда мы предсказываем бинарное 
или категориальное значение, например, пойдет ли дождь, 
мы занимаемся проблемой классификации (рис. 1, b). Тем 

---