选不同算法

❶ Matlab GUI界面设计，通过选用不同算法，可以对图像进行加密，怎么实现代码如何编写

用button group 然后返回值是1/2/3/4.。。。然后就是switch case

❷ 在机器学习中如何选择一个合适的算法

在我们使用机器学习处理问题的时候，我们需要选择算法，选择一个好的算法能够帮助我们提高工作效率。但是很多朋友对选择算法不是很理解，在这篇文章中我们就给大家介绍一下关于机器学习选择算法的相关建议，希望能够对大家有所帮助。
1.选择算法的意义
我们选择算法就是为了更高效率的进行处理问题。在我们充分了解数据及其特性以后，就能够帮助我们更有效地选择机器学习算法。采用某种流程就可以缩小算法的选择范围，使我们少走些弯路，但在具体选择哪种算法方面，一般并不存在最好的算法或者可以给出最好结果的算法，在实际做项目的过程中，这个过程往往需要多次尝试，有时还要尝试不同算法。但是对于初学者，选择算法还是按照下面提到的算法进行选择。
2.选择算法的步骤
通常来说，选择算法是一个比较麻烦的事情，但是并不是不能选择，选择就需要我们十分细心，这样我们才能够选择出一个合适的算法，以便于我们更好的处理问题。选择算法首先需要分析业务需求或者场景，这一步完成以后，就需要我们初探数据，看看自己是否需要预测目标值，如果需要的话，那么就使用监督学习，当然，使用监督学习的时候，如果发现了目标变量，如果是离散型，那么就使用分类算法，如果是连续型，那么就使用回归算法。当然，如果我们发现不需要预测目标值，那么就使用无监督学习，具体使用的算法就是K-均值算法、分层聚类算法等其他算法。
3.SQL spark算法的优势
有一种算法十分常见并且实用，那就是SQL spark算法，Spark SQL算法有着功能强大、性能优良的机器学习库，还可以用于图像处理和用于流式处理的工具，其优势十分明显。
（1）这个算法能够与Hadoop、Hive、HBase等无缝连接：Spark可以直接访问Hadoop、Hive、Hbase等的数据，同时也可使用Hadoop的资源管理器。
（2）在完整的大数据生态系统中，有我们熟悉的SQL式操作组件Spark SQL，还有功能强大、性能优良的机器学习库、图像计算及用于流式处理等算法。
（3）在高性能的大数据计算平台中，由于数据被加载到集群主机的分布式内存中。数据可以被快速的转换迭代，并缓存后续的频繁访问需求。基于内存运算，Spark可以比Hadoop快100倍，在磁盘中运算也比hadoop快10倍左右。
这篇文章我们给大家介绍了机器学习处理问题时如何选择一个合适的算法以及spark算法的优势的相关内容，相信大家对如何选择算法有了更加清晰的认识了吧？祝愿大家可以早日学有所成、学以致用。

❸ 初学者如何选择合适的机器学习算法（附算法

如何为分类问题选择合适的机器学习算法 若要达到一定的准确率，需要尝试各种各样的分类器，并通过交叉验证选择最好的一个。但是，如果你只是为你的问题寻找一个“足够好”的算法或者一个起点，以下准则有利于选择合适的分类器：你的训练集有多大？如果训练集很小，那么高偏差/低方差分类器（如朴素贝叶斯分类器）要优于低偏差/高方差分类器（如k近邻分类器），因为后者容易过拟合。然而，随着训练集的增大，低偏差/高方差分类器将开始胜出（它们具有较低的渐近误差），因为高偏差分类器不足以提供准确的模型。这可以认为这是生成模型与判别模型的区别。一些特定算法比较朴素贝叶斯优点：简单；如果朴素贝叶斯（NB）条件独立性假设成立，相比于逻辑回归这类的判别模型，朴素贝叶斯分类器将收敛得更快，所以你只需要较小的训练集。而且，即使NB假设不成立，朴素贝叶斯分类器在实践方面仍然表现很好。如果想得到简单快捷的执行效果，这将是个好的选择。缺点：不能学习特征之间的相互作用（比如，它不能学习出：虽然你喜欢布拉德·皮特和汤姆·克鲁斯的电影，但却不喜欢他们一起合作的电影）。逻辑回归优点：有许多正则化模型的方法，不需要像在朴素贝叶斯分类器中那样担心特征间的相互关联性。与决策树和支持向量机 不同，有一个很好的概率解释，并能容易地更新模型来吸收新数据（使用一个在线梯度下降方法）。如果你想要一个概率框架（比如，简单地调整分类阈值，说出什么时候是不太确定的，或者获得置信区间），或你期望未来接收更多想要快速并入模型中的训练数据，就选择逻辑回归。决策树优点：易于说明和解释，很容易地处理特征间的相互作用，并且是非参数化的，不用担心异常值或者数据是否线性可分（比如，决策树可以很容易地某特征x的低端是类A，中间是类B，然后高端又是类A的情况）。缺点：1）不支持在线学习，当有新样本时需要重建决策树。2）容易过拟合，但这也正是诸如随机森林（或提高树）之类的集成方法的切入点。另外，随机森林适用于很多分类问题（通常略优于支持向量机）---快速并且可扩展，不像支持向量机那样调一堆参数。随机森林正渐渐开始偷走它的“王冠”。 SVMs 优点：高准确率，为过拟合提供了好的理论保证；即使数据在基础特征空间线性不可分，只要选定一个恰当的核函数，仍然能够取得很好的分类效果。它们在超高维空间是常态的文本分类问题中尤其受欢迎。然而，它们内存消耗大，难于解释，运行和调参 复杂，尽管如此，更好的数据往往胜过更好的算法，设计好的特征非常重要。如果有一个庞大数据集，这时使用哪种分类算法在分类性能方面可能并不要紧；因此，要基于速度和易用性选择算法。