選不同演算法

❶ Matlab GUI界面設計，通過選用不同演算法，可以對圖像進行加密，怎麼實現代碼如何編寫

用button group 然後返回值是1/2/3/4.。。。然後就是switch case

❷ 在機器學習中如何選擇一個合適的演算法

在我們使用機器學習處理問題的時候，我們需要選擇演算法，選擇一個好的演算法能夠幫助我們提高工作效率。但是很多朋友對選擇演算法不是很理解，在這篇文章中我們就給大家介紹一下關於機器學習選擇演算法的相關建議，希望能夠對大家有所幫助。
1.選擇演算法的意義
我們選擇演算法就是為了更高效率的進行處理問題。在我們充分了解數據及其特性以後，就能夠幫助我們更有效地選擇機器學習演算法。採用某種流程就可以縮小演算法的選擇范圍，使我們少走些彎路，但在具體選擇哪種演算法方面，一般並不存在最好的演算法或者可以給出最好結果的演算法，在實際做項目的過程中，這個過程往往需要多次嘗試，有時還要嘗試不同演算法。但是對於初學者，選擇演算法還是按照下面提到的演算法進行選擇。
2.選擇演算法的步驟
通常來說，選擇演算法是一個比較麻煩的事情，但是並不是不能選擇，選擇就需要我們十分細心，這樣我們才能夠選擇出一個合適的演算法，以便於我們更好的處理問題。選擇演算法首先需要分析業務需求或者場景，這一步完成以後，就需要我們初探數據，看看自己是否需要預測目標值，如果需要的話，那麼就使用監督學習，當然，使用監督學習的時候，如果發現了目標變數，如果是離散型，那麼就使用分類演算法，如果是連續型，那麼就使用回歸演算法。當然，如果我們發現不需要預測目標值，那麼就使用無監督學習，具體使用的演算法就是K-均值演算法、分層聚類演算法等其他演算法。
3.SQL spark演算法的優勢
有一種演算法十分常見並且實用，那就是SQL spark演算法，Spark SQL演算法有著功能強大、性能優良的機器學習庫，還可以用於圖像處理和用於流式處理的工具，其優勢十分明顯。
（1）這個演算法能夠與Hadoop、Hive、HBase等無縫連接：Spark可以直接訪問Hadoop、Hive、Hbase等的數據，同時也可使用Hadoop的資源管理器。
（2）在完整的大數據生態系統中，有我們熟悉的SQL式操作組件Spark SQL，還有功能強大、性能優良的機器學習庫、圖像計算及用於流式處理等演算法。
（3）在高性能的大數據計算平台中，由於數據被載入到集群主機的分布式內存中。數據可以被快速的轉換迭代，並緩存後續的頻繁訪問需求。基於內存運算，Spark可以比Hadoop快100倍，在磁碟中運算也比hadoop快10倍左右。
這篇文章我們給大家介紹了機器學習處理問題時如何選擇一個合適的演算法以及spark演算法的優勢的相關內容，相信大家對如何選擇演算法有了更加清晰的認識了吧？祝願大家可以早日學有所成、學以致用。

❸ 初學者如何選擇合適的機器學習演算法（附演算法

如何為分類問題選擇合適的機器學習演算法 若要達到一定的准確率，需要嘗試各種各樣的分類器，並通過交叉驗證選擇最好的一個。但是，如果你只是為你的問題尋找一個「足夠好」的演算法或者一個起點，以下准則有利於選擇合適的分類器：你的訓練集有多大？如果訓練集很小，那麼高偏差/低方差分類器（如樸素貝葉斯分類器）要優於低偏差/高方差分類器（如k近鄰分類器），因為後者容易過擬合。然而，隨著訓練集的增大，低偏差/高方差分類器將開始勝出（它們具有較低的漸近誤差），因為高偏差分類器不足以提供准確的模型。這可以認為這是生成模型與判別模型的區別。一些特定演算法比較樸素貝葉斯優點：簡單；如果樸素貝葉斯（NB）條件獨立性假設成立，相比於邏輯回歸這類的判別模型，樸素貝葉斯分類器將收斂得更快，所以你只需要較小的訓練集。而且，即使NB假設不成立，樸素貝葉斯分類器在實踐方面仍然表現很好。如果想得到簡單快捷的執行效果，這將是個好的選擇。缺點：不能學習特徵之間的相互作用（比如，它不能學習出：雖然你喜歡布拉德·皮特和湯姆·克魯斯的電影，但卻不喜歡他們一起合作的電影）。邏輯回歸優點：有許多正則化模型的方法，不需要像在樸素貝葉斯分類器中那樣擔心特徵間的相互關聯性。與決策樹和支持向量機 不同，有一個很好的概率解釋，並能容易地更新模型來吸收新數據（使用一個在線梯度下降方法）。如果你想要一個概率框架（比如，簡單地調整分類閾值，說出什麼時候是不太確定的，或者獲得置信區間），或你期望未來接收更多想要快速並入模型中的訓練數據，就選擇邏輯回歸。決策樹優點：易於說明和解釋，很容易地處理特徵間的相互作用，並且是非參數化的，不用擔心異常值或者數據是否線性可分（比如，決策樹可以很容易地某特徵x的低端是類A，中間是類B，然後高端又是類A的情況）。缺點：1）不支持在線學習，當有新樣本時需要重建決策樹。2）容易過擬合，但這也正是諸如隨機森林（或提高樹）之類的集成方法的切入點。另外，隨機森林適用於很多分類問題（通常略優於支持向量機）---快速並且可擴展，不像支持向量機那樣調一堆參數。隨機森林正漸漸開始偷走它的「王冠」。 SVMs 優點：高准確率，為過擬合提供了好的理論保證；即使數據在基礎特徵空間線性不可分，只要選定一個恰當的核函數，仍然能夠取得很好的分類效果。它們在超高維空間是常態的文本分類問題中尤其受歡迎。然而，它們內存消耗大，難於解釋，運行和調參 復雜，盡管如此，更好的數據往往勝過更好的演算法，設計好的特徵非常重要。如果有一個龐大數據集，這時使用哪種分類演算法在分類性能方面可能並不要緊；因此，要基於速度和易用性選擇演算法。