12、机器学习在大数据分析与医疗领域的应用、挑战及未来展望

机器学习在大数据分析与医疗领域的应用、挑战及未来展望

1. 机器学习在大数据分析中的应用与优势

在大数据分析中，学习算法能够提取非线性特征。深度学习在特征提取时，能为数据分析非线性地增添价值，计算效率更高，对大数据处理十分有益，可轻松应对目标识别、图像理解等复杂任务。

另外，深度学习还用于语义图像和视频标注，该过程可简化分割并标记复杂的图像场景，采用独立变量分析，应用于视频和图像数据的判别任务。

2. 机器学习算法的弱点

2.1 分类难点

对机器学习算法进行分类颇具挑战性，有多种合理的分类方式，如描述性与非描述性、参数化与非参数化、有监督与无监督等。而且，针对特定问题选择合适的算法并非易事，没有一种算法能适用于所有问题。例如，不能简单地说神经网络就比决策树更适合所有问题，因为这取决于数据集大小等诸多因素。所以，需要尝试不同算法来评估性能。

2.2 具体算法弱点

算法类型	具体算法	弱点描述
回归	回归树、随机森林、决策树	处理非线性关系表现不佳，处理复杂模式不够灵活，交互数量多会更棘手和耗时，且易出现过拟合问题
	深度学习	通用目的下不太适用，需要大量数据和更多专家进行训练