维数缩减:这个过程可以减少纳入考虑的变量数量。随着企业和组织获取的数据量越来越多,可能的预测因子(或特征)迅速增长。想要识别数据对某一特定问题提供了什么有价值的信息是一件很重要的工作。主成分分析(PCA)会对一组原始特征进行评估,并将它们减少为彼此独立的索引。
在机器学习中,某些技术总是比其他的技术表现好,但对某一个特定的问题来说,很难说哪一个技术是最好的。这样,大多数数据科学家更喜欢尝试多种技术,并从中选择最好的模型。由于这个原因,高性能就显得非常必要,因为它可以让数据科学家在更少的时间内尝试更多的选项。
在工业和商业领域,企业们都在使用机器学习来提升收入和降低成本,因为在许多任务上它们比人类更加高效。下面就是7个例子,证明机器学习的多功能性和广泛的适用性。
预防欺诈:PayPal是在线支付产业的龙头老大,每年拥有超过1.5亿活跃的电子钱包用户,支付额超过2000亿美元。在这个体量下,即使是小比率的欺诈也会带来极大的损失。在过去,这家公司在欺诈行为上的损失曾达到每月1000万美元。为了解决这个问题,PayPal建立了一个由顶尖研究者组成的团队,他们使用最先进的机器学习技术构建了一个能实时识别欺诈性交易的模型。
选择电子广告的目标客户。广告科技公司Dstillery用机器学习来帮助Verizon和Williams-Sonoma这样的公司在实时竞价平台上定位电子广告的目标。Dstillery使用了用户的浏览历史、访问、点击和购买信息,能在每秒内做出几千次预测,同时处理几百个广告活动。这样,这家公司在广告定位上的表现极大地超过了人类市场分析人员,优化了每美元所带来的市场影响。
内容推荐。Comcast公司基于每个交互式电视服务的顾客的历史观看习惯,提供了个性化的实时内容推荐。Comcast用机器学习技术分析了几十亿个历史记录,对每一个顾客做出了独特的品味描述,然后将顾客的品味分成不同的类别。对每一类顾客,Comcast都能实时跟踪和显示最流行的内容,这样顾客就能看到目前正在火爆的潮流。最后的结果就是:更好的推荐系统,更高的利用率,更满意的顾客。
湘ICP备2022002427号-10湘公网安备:43070202000427号
© 2013~2019 haote.com 好特网