原文： http://machinelearningmastery.com/why-you-should-be-spot-checking-algorithms-on-your-machine-learning-problems/

和http://machinelearningmastery.com/create-lists-of-machine-learning-algorithms/?utm_content=buffer6c174&utm_medium=social&utm_source=twitter.com&utm_campaign=buffer

這篇文章主要講在面對許多的機器學習演算法，如何快速的選擇比較適合解決你問題的演算法。解決方案： 使用抽樣檢查方法，測試在一些演算法上的效能。在縮小範圍之後，再重點對該型別的演算法及其變種進行深入的實驗分析。

從我作為初學者的角度，我列出之前犯過的錯誤： 
1. 由於掌握知識的不廣泛，懶惰等原因，在解決問題之初，重點測試了一些自己比較在行的演算法，做各種完整的引數測試。 
    不利： 過早優化，花費時間。其實可能有別的演算法更適合這個問題的求解。也有可能是問題本身描述不準確。
    解決方案：調研解決該問題的常見演算法，寫一個自動指令碼， 進行抽樣檢查，在測試之後，挑選合適的演算法，進行重點優化。
2. Favorites are dangerous.  由於人對不熟悉領域的害怕，總是會選擇自己熟悉的演算法，花費許多時間調演算法來解決新的問題。熟不知，你的演算法不一定適合求解該問題。演算法總是有一定適合場景。嘗試過不少論文的演算法，比如求解knn，在我自己的資料集上，傳統的lsh，tree的方法都不太管用。


我們應該：
1. 多熟悉和調研一些演算法。

2. 寫各種演算法的自動指令碼測試資料集。

常見的演算法分類： 

• Regression algorithms
• SVM algorithms
• Data projection algorithms
• Deep learning algorithms
• Time series forecasting algorithms
• Rating system algorithms
• Recommender system algorithms
• Feature selection algorithms
• Class imbalance algorithms
• Decision tree algorithms

作為計算機視覺的初學者，我們可以也可以列出自己的Image classification, Image segmentation, Image Annotation, Image Retrieval的各個步驟常見演算法。

比如Image Classification algorithms: Feature Representation: (1) bow-of-word : k-means, IFV, vlad, (2) deep learning.  Classification Methods: svm, logistic regression, boosting, random forest.....

3. 採用圖表方法直觀顯示測試結果。

4. 及時新增新的演算法到自動指令碼中。