3.1　選擇分類算法

每種算法都是基于某些假設的而且都有各自的特點，為特定問題選擇合適的分類算法需要實踐經驗。David·H. Wolpert提出的天下沒有免費午餐的定理，明確說明不存在適合所有可能場景的分類算法[1]。在實踐中，因為樣本特征的數量、數據中的噪聲以及是否線性可分等各種情況有所不同，所以我們建議至少要比較幾種不同學習算法的性能，以選擇適合特定問題的最佳模型。

分類器的計算性能以及預測能力，最終在很大程度上取決于可供學習的基礎數據。可以把監督機器學習算法訓練的五個主要步驟概括如下：

1）選擇特征并收集訓練樣本。

2）選擇度量性能的指標。

3）選擇分類器并優化算法。

4）評估模型的性能。

5）調整算法。

本書所采用的方法是逐步構建機器學習知識，本章將主要聚焦在不同算法的主要概念上面，并回顧諸如特征選擇、預處理、性能指標和超參數調優等主題，我們將在本書的后半部分對此進行更為詳細的討論。