新的算法很難產生，2022 年可能也不例外。然而，仍有一些機器學習算法和 Python/ target=_blank class=infotextkey>Python 庫將在未來更受歡迎。這些算法之所以與眾不同，是因為它們包含了一些在其它算法中并不普遍的優點，我會在本文詳細討論這些優點。

無論是能夠在你的模型中使用不同的數據類型，還是能夠將內置算法整合到你當前公司的基礎設施中，甚至是能夠在一個地方比較幾種算法的成功指標，你都可以預計，這些算法和庫都會由于各種原因而在明年變得更受歡迎。下面，讓我們更深入地了解一下 2022 年的一些新興算法和庫。

CatBoost

CatBoost 可能是最新的算法，因為它隨著越來越流行而不斷更新。這個機器學習算法對于處理分類數據的數據科學家特別有用。您可以考慮 Random Forest 和 XGBoost 算法的優點，CatBoost 具有它們的大部分優點，同時還具有更多其它的優點。

以下是 CatBoost 的主要優點：

• 無需擔心參數調整——默認值通常會勝出，通常不值得手動調整，除非您想通過手動更改值來針對特定的異常分布
• 更準確——不太過擬合，并且當您使用更具分類性的特征時，往往會得到更準確的結果
• 快速——這種算法往往比其它基于樹的算法更快，因為它不必擔心用于示例的使用獨熱編碼（one-hot encoding）的大型稀疏數據集，因為它使用了一種目標編碼
• 更快地預測——您可以更快地訓練，這樣您也就可以更快地使用您的 CatBoost 模型進行預測
• SHAP——這個庫被集成，便于解釋整體模型的特征重要性以及特定預測總的來說，CatBoost 非常棒，因為它易于使用、功能強大，在算法領域具有競爭力，并且可以列在您的簡歷中來增光添彩。它可以幫助您創建更好的模型，最終使您的項目更好地為您的公司服務。

CatBoost 的文檔在此：https://catboost.ai。

DeepAR Forecasting

這個算法內置在流行平臺 Amazon SageMaker 中，如果您的公司目前使用 AWS 技術?；蛘呦胍褂?AWS 技術棧，這可能是個好消息。在回歸神經網絡的幫助下，它用于預測/時間序列應用中的有監督學習。

以下是使用這個算法時需要用到的輸入文件字段的一些示例：

• start
• target
• dynamic _feat
• cat

以下是使用這個算法/架構的一些優點：

易于建模——在相同的地方構建/訓練/部署，速度相當快

• 簡單的架構——聚焦于更少的編碼，更多地關注您的數據和需要解決的業務問題當然，這個算法還有更多優點，所以我只是簡單地介紹了下，因為不是所有的讀者都在使用 AWS。

DeepAR Forcasting 算法的文檔在此。

PyCaret

因為沒有太多的新算法需要討論，我想包括一種能夠比較幾種算法的庫，其中一些算法可能會更新迭代，所以比較新。這個 Python 庫是開源和低代碼的，可以被引用。當我開始比較并最終選擇我的數據科學模型的最終算法時，它讓我更加了解新的和即將流行的機器學習算法。

以下是使用這個庫的一些好處：

• 更少的編碼時間——您不需要導入庫，也不需要設置每個算法特有的每個預處理步驟，相反，您可以填寫一些參數，讓您可以將幾乎所有您聽說過的算法并排進行比較
• 易于使用——隨著庫的演變，它們的易用性也在不斷提高。
• 端到端處理——可以研究從數據轉換到預測結果的數據科學問題
• 集成良好——可以 Power BI 中使用 AutoML
• 整合——可以加入不同的算法以獲得更多好處
• 校準和優化模型
• 關聯規則挖掘
• 更重要的是，一次性比較 20+算法總的來說，這個庫雖然并不是一個新算法，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 這樣的算法都包含在這個庫中——這就是我如何發現它的。話雖如此，我認為重要的是要包含這個庫，這樣您不僅可以了解 2022 年的最新算法，還可以了解您以前沒有聽說過或者錯過的比較老的算法，因為您可以通過簡單的用戶界面將它們并排進行比較。

PyCaret 的文檔在此。

總結

如果你認為這個列表很短，那么你就會意識到并不是每年都會有一組新的機器學習算法。我希望這里提到的 3 個算法或庫能夠增添文檔并更受歡迎，因為它們非常棒且不同于通常的邏輯回歸/決策樹等。

總而言之，以下是 2022 年可以期待的一些新的機器學習算法：

* CatBoost - 算法
* DeepAR Forecasting - 算法/軟件包
* PyCaret - 包括新算法的庫

我希望您會覺得我的這篇文章既有趣又有用。無論您是否同意文中的觀點，請隨意在下方留言，講講為什么支持或反對。您認為我們還可以包括哪些更重要的算法或軟件包/庫？這些當然可以進一步闡明，但我希望能夠闡明一些更獨特的機器學習算法和庫。

作者介紹

Matt Przybyla 高級數據科學家，人工智能、科技和教育領域的頂尖作家，《面向數據科學》（Towards Data Science）供稿作家。

原文鏈接

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