新的算法很难产生，2022 年可能也不例外。然而，仍有一些机器学习算法和 Python/ target=_blank class=infotextkey>Python 库将在未来更受欢迎。这些算法之所以与众不同，是因为它们包含了一些在其它算法中并不普遍的优点，我会在本文详细讨论这些优点。

 

无论是能够在你的模型中使用不同的数据类型，还是能够将内置算法整合到你当前公司的基础设施中，甚至是能够在一个地方比较几种算法的成功指标，你都可以预计，这些算法和库都会由于各种原因而在明年变得更受欢迎。下面，让我们更深入地了解一下 2022 年的一些新兴算法和库。

CatBoost

CatBoost 可能是最新的算法，因为它随着越来越流行而不断更新。这个机器学习算法对于处理分类数据的数据科学家特别有用。您可以考虑 Random Forest 和 XGBoost 算法的优点，CatBoost 具有它们的大部分优点，同时还具有更多其它的优点。

 

以下是 CatBoost 的主要优点：

 

• 无需担心参数调整——默认值通常会胜出，通常不值得手动调整，除非您想通过手动更改值来针对特定的异常分布
• 更准确——不太过拟合，并且当您使用更具分类性的特征时，往往会得到更准确的结果
• 快速——这种算法往往比其它基于树的算法更快，因为它不必担心用于示例的使用独热编码（one-hot encoding）的大型稀疏数据集，因为它使用了一种目标编码
• 更快地预测——您可以更快地训练，这样您也就可以更快地使用您的 CatBoost 模型进行预测
• SHAP——这个库被集成，便于解释整体模型的特征重要性以及特定预测总的来说，CatBoost 非常棒，因为它易于使用、功能强大，在算法领域具有竞争力，并且可以列在您的简历中来增光添彩。它可以帮助您创建更好的模型，最终使您的项目更好地为您的公司服务。

 

CatBoost 的文档在此：https://catboost.ai。

DeepAR Forecasting

这个算法内置在流行平台 Amazon SageMaker 中，如果您的公司目前使用 AWS 技术栈或者想要使用 AWS 技术栈，这可能是个好消息。在回归神经网络的帮助下，它用于预测/时间序列应用中的有监督学习。

 

以下是使用这个算法时需要用到的输入文件字段的一些示例：

 

• start
• target
• dynamic _feat
• cat

 

以下是使用这个算法/架构的一些优点：

易于建模——在相同的地方构建/训练/部署，速度相当快

 

• 简单的架构——聚焦于更少的编码，更多地关注您的数据和需要解决的业务问题当然，这个算法还有更多优点，所以我只是简单地介绍了下，因为不是所有的读者都在使用 AWS。

 

DeepAR Forcasting 算法的文档在此。

PyCaret

因为没有太多的新算法需要讨论，我想包括一种能够比较几种算法的库，其中一些算法可能会更新迭代，所以比较新。这个 Python 库是开源和低代码的，可以被引用。当我开始比较并最终选择我的数据科学模型的最终算法时，它让我更加了解新的和即将流行的机器学习算法。

 

以下是使用这个库的一些好处：

 

• 更少的编码时间——您不需要导入库，也不需要设置每个算法特有的每个预处理步骤，相反，您可以填写一些参数，让您可以将几乎所有您听说过的算法并排进行比较
• 易于使用——随着库的演变，它们的易用性也在不断提高。
• 端到端处理——可以研究从数据转换到预测结果的数据科学问题
• 集成良好——可以 Power BI 中使用 AutoML
• 整合——可以加入不同的算法以获得更多好处
• 校准和优化模型
• 关联规则挖掘
• 更重要的是，一次性比较 20+算法总的来说，这个库虽然并不是一个新算法，但是它很可能包含 2022 年的新算法，或者至少是最新的算法，甚至像上面提到的 CatBoost 这样的算法都包含在这个库中——这就是我如何发现它的。话虽如此，我认为重要的是要包含这个库，这样您不仅可以了解 2022 年的最新算法，还可以了解您以前没有听说过或者错过的比较老的算法，因为您可以通过简单的用户界面将它们并排进行比较。

 

PyCaret 的文档在此。

总结

如果你认为这个列表很短，那么你就会意识到并不是每年都会有一组新的机器学习算法。我希望这里提到的 3 个算法或库能够增添文档并更受欢迎，因为它们非常棒且不同于通常的逻辑回归/决策树等。

 

总而言之，以下是 2022 年可以期待的一些新的机器学习算法：

 

* CatBoost - 算法
* DeepAR Forecasting - 算法/软件包
* PyCaret - 包括新算法的库

 

我希望您会觉得我的这篇文章既有趣又有用。无论您是否同意文中的观点，请随意在下方留言，讲讲为什么支持或反对。您认为我们还可以包括哪些更重要的算法或软件包/库？这些当然可以进一步阐明，但我希望能够阐明一些更独特的机器学习算法和库。

作者介绍

Matt Przybyla 高级数据科学家，人工智能、科技和教育领域的顶尖作家，《面向数据科学》（Towards Data Science）供稿作家。

 

原文链接

 

https://towardsdatascience.com/top-machine-learning-algorithms-and-python-libraries-for-2022-86820f7ca67f