在做完資料處理及特徵篩選後，接下來就是選擇演算法來訓練我們的模型，這階段算是機器學習流程中最關鍵的部分了，通常我們會依據想預測的問題以及現有的數據資料，來決定要使用什麼樣的演算法，例如一個二元分類的問題，我們可以選擇用邏輯回歸、決策樹、神經網路等適合的演算法建立我們的模型。

在 Azure Machine Learning Studio 中，可以看到以下幾種演算法：

• Anomaly Detection 異常檢測
• Classification 分類
• Clustering 分群
• Regression 迴歸

Anomaly Detection 異常檢測

用來檢測出異常現象，或是超出合理範圍的情形。
例如：詐騙交易偵測、異常帳號偵測、機械故障偵測、信用卡盜刷偵測等等，但也因為異常情形不常見，所以樣本資料的收集會比較困難，像是詐騙偵測可能就需要收集黑名單資料等。

Azure Machine Learning Studio 提供以下兩種異常檢測演算法：

• One-Class Support Vector Machine 一類支持向量機
• PCA-Based Anomaly Detection 主成分分析(Principal Component Analysis)異常偵測

Classification 分類

分類演算法用來將某個人事物歸類在多個類別中的某一類別裡，很常用來做預測。例如：

1. 詐騙預測會將類別分為詐騙及非詐騙，就屬於二元分類問題。
2. 潛在VIP客戶預測，會將現有的一般客戶及VIP客戶資料去做分類模型，一樣是分成兩個類別，一般客戶及VIP客戶，可以知道在甚麼條件下很有可能會成為VIP客戶，當所有條件都符合了，銷售人員就可以推銷此客戶，被打槍率也會降低。

在 Azure Machine Learning Studio 中，可以看到以下幾種分類演算法：

• Multiclass Decision Forest
• Multiclass Decision Jungle
• Multiclass Logistic Regression
• Multiclass Neural Network
• One-vs-All Multiclass
• Two-Class Averaged Perceptron
• Two-Class Bayes Point Machine
• Two-Class Boosted Decision Tree
• Two-Class Decision Forest
• Two-Class Decision Jungle
• Two-Class Locally-Deep Support Vector Machine
• Two-Class Neural Network
• Two-Class Support Vector Machine

Clustering 分群

分群演算法是使用非監督式學習(Unsupervised Learning)把資料分到不同的類別中，跟分類(Classification)不同的地方在於，輸出的結果在分類演篹法中是已經定義好的，但分群沒有預先定義其結果，所以在執行分群之前，無法知道每個資料屬於哪一種類別。
例如：遊戲公司做問卷調查，取得了年齡及遊戲時間等資料，發現結果分為3群，第1群是重度玩家，每天都會花很多時間在遊戲上；第2群是業餘玩家，偶爾會玩一下；第3群則非玩家，幾乎不玩遊戲，可以藉由結果了解公司的目標客群。其中最常使用的分群法為 K-mean 演算法，它使用點與點的距離將相似的資料聚集在一起，我們只需要決定 K 值即可，也就是要將結果分成幾群，若設定 K=4，就代表結果會分成 4 組。

在 Azure Machine Learning Studio 中，可以看到以下分群演算法：

• K-Means Clustering

Regression 迴歸

迴歸可以用在當輸出結果為數值資料時。
例如：客服中心的來電數量，就可以用迴歸來預測。

在 Azure Machine Learning Studio 中，可以看到以下幾種迴歸演算法：

• Bayesian Linear Regression
• Boosted Decision Tree Regression
• Decision Forest Regression
• Fast Forest Quantile Regression
• Linear Regression
• Neural Network Regression
• Ordinal Regression
• Poisson Regression

對於選擇演算法，也可以參考官方提供的適用於 Azure Machine Learning Studio 的機器學習演算法小祕技