几种机器学习算法原理入门教程

澳洲U网数字货币交易所讯_区块链新闻资讯_区块链媒体几种机器学习算法原理入门教程一、机器学习的过程机器学习的过程：从本质上来说，就是通过一堆的训练数据找到一个与理想函数（f）相接近的函数。在理想情况下，对于任何适合使用机器学习的问题，在理论上都是会存在一个最优的函数让每个参数都有一个最合适的权重值，但在现实应用中不一定能这么准确得找到这个函数。所以，我们要去找与这个理想函数相接近的函数。只要是能够满足我们的使用的函数，我们就认为是一个好的函数。这个训练数据的过程通常也被解释为：在一堆的假设函数（Hypothesisset）中，它是包含了各种各样的假设，其中包括好的和坏的假设。我们需要做的就是：从这一堆假设函数中挑选出它认为最好的假设函数（g）——这个假设函数是与理想函数（f）最接近的。澳洲U网数字货币交易所U讯_区块链新闻资讯_区块链媒体澳洲U网数字货币交易所讯_区块链新闻资讯_区块链媒体机器学习这个过程就像是：在数学上，我们知道了有一个方程和一些点的坐标，用这些点来求这个方程的未知项从而得出完整的方程。但在机器学习上，我们往往很难解出来这个完整的方程是什么。所以，我们只能通过各种手段求最接近理想情况下的未知项取值，使得这个结果最接近原本的方程。二、什么问题适合用机器学习解决机器学习不是万能的，并不能解决所有的问题。通过以上机器学习的过程可以看出来，实质上，机器学习是：通过已知经验找到规律来进行预测。银行想知道应该发放多少贷款给某个客户时，可以根据过往成功放贷的数据找出每个贷款区间的人群特点、自身的房车资产状况等，再看看这个客户的特点符合哪个区间，以此去确定应该发放多少贷款，这就是适合用机器学习去解决的问题。澳洲U网数字货币交易所U讯_区块链新闻资讯_区块链媒体澳洲U网数字货币交易所讯_区块链新闻资讯_区块链媒体对于适合用机器学习解决的问题，台大的林轩田教授为我们总结了三个要素：1.有规律可以学习2.编程很难做到3.有能够学习到规律的数据只要满足这三个条件的问题，我们都可以挑选合适的算法去解决。基于以上的条件，通常我们可以用机器学习解决三类问题：1.预测（回归）：根据已知数据和模型，预测不同客户应该发放的贷款额度是多少2.判别（分类）：与预测有点类似，也是根据模型判别这个客户属于过往哪一类客户的概率有多大3.寻找关键因素：客户的属性非常多，通过模型我们可以找出对放贷影响最大的因素是什么三、几种常见的模型和算法1.感知机PerceptronLearningAlgorithm，PLA澳洲U网数字货币交易所U讯_区块链新闻资讯_区块链媒体澳洲U网数字货币交易所讯_区块链新闻资讯_区块链媒体感知机学习算法是一种二分类的线性分类算法，一般用来解决二分类（只存在两个结果）的问题。例如：判断“一个同学的考试成绩合格还是不合格？”、“银行会不会给某个客户发放贷款？”等。这种只存正、负两个结果的问题，就称为二分类的问题。感知机学习算法的原理非常好理解，有点类似考试的概念：把很多个影响因素看成每道题的得分。因为不同题目的权重不同，所以我们每道题的得分由权重（重要程度）和这个因素的得分相乘，最后把所有题目的得分加起来看看有没有超过60分（阈值）。如果超过了就是及格了（正结果），即对应的输出值为1，如果没有超过就是不及格（负结果），对应的输出值为-1。还是以刚才银行贷款的例子来解释：通常银行判断在“给不给某个客户放贷款？”时，都是已经掌握了客户的各种信息（如：年薪、负债情况、社保缴费、公积金等等）。因为数据的维度不同，描述的单位也不同，我们需要把这些数据按照各自维度的标准统一成可以量化的评分——可以按照年薪在5W以下得1分、5-10W得2分这样的方式进行量化。每个维度的重要程度都不同，所以我们在相加的时候需要考虑为每个值加上一个权重，再看看最后得出来的结果有没有高过放款的阈值评分——如果高过这个分数就放款，低过这个分数就不放款。首先看看关于感知机的数学定义：澳洲U网数字货币交易所U讯_区块链新闻资讯_区块链媒体澳洲U网数字货币交易所讯_区块链新闻资讯_区块链媒体我们可以转换到几何的方式去看这个问题：在二维空间内，训练的数据就变成了平面上的一个点，这些数据里面有正样本以及负样本（成功放贷款的以及没有放贷款的）。感知机算法的学习过程就是：找到一个平面（在二维中表现为一条线）——能够把所有的正样本和负样本区分开来。那么，当在应用的时候面对新来的客户，通过模型算出是正结果，我们就可以给这个客户发放贷款；算出来是负结果，我们就不发放贷款。怎么去找到这条线（超平面）呢？感知机使用的学习策略是“梯度下降法”。澳洲U网数字货币交易所U讯_区块链新闻资讯_区块链媒体澳洲U网数字货币交易所讯_区块链新闻资讯_区块链媒体这种方法的思想是：先在平面内随便找一条线，然后开始把样本点放到平面内。当一个点被误分类——即位于分类超平面错误的一侧时，调整模型的参数（w和b），使分类超平面向该误分类点的一侧移动，以减少该误分类点与超平面的距离，直到超平面越过该误分类点使其被正确分类为止。感知机利用梯度下降法的训练过程这种方式对于模型的训练非常快速，计算量相对较小。但同时，这样的计算方式追求最大程度正确划分、最小化训练数据的错误，效果类似下图的直线——会导致比较容易造成过拟合的情况，即：模型对于新数据的包容性差，会过度地把新输入数据分成错误的类别。2.线性回归Linearregression，LR讲逻辑回归之前，我们先讲讲“什么是线性回归？”。在统计学中，线性回归是指：利用称为线性回归方程的最小平方函数，对一个或多个自变量和因变量之间关系进行建模的一种回归分析。举个直观的例子：深圳春运时的客流量可能是与过年的时间相关的——越接近过年这天人流量越大。如下图所示：澳洲U网数字货币交易所U讯_区块链新闻资讯_区块链媒体澳洲U网数字货币交易所讯_区块链新闻资讯_区块链媒体如果客运站想预测：明天和后天的客流量。该这么办？我们可以用一条线去尽量准的拟合这些数据，如果有新的数据输入进来，我们就可以找到对应的预测点：上述例子就是一个最简单的一元线性回归分析：y=ax+b。该式子中只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示。在收集的数据中，每一个分量，就可以看做一个特征数据。例如：上述例子的日期是一个特征，我们还可以找到地区、节假日、其他车站的客流量等等不同的因素，每个特征至少对应一个未知的参数。这样就形成了一个线性模型函数。当特征变多时，上述线性回归的向量表示形式为：澳洲U网数字货币交易所U讯_区块链新闻资讯_区块链媒体澳洲U网数字货币交易所讯_区块链新闻资讯_区块链媒体这个矩阵方程由于计算量太大很难直接去求解，那么我们要怎么样去找到这根线的位置呢？在这里我们可以退一步，把参数求解的问题，转化为求最小误差的问题，让实际值与预测值之间的误差变得最小，那么我们的预测值就十分接近实际值了。这就是损失函数的来源。在机器学习的算法中，实际上存在大量由于计算量巨大从而无法求解的问题。我们都是把这类问题转化成求最小误差，即：实际值与预测值之间的误差（损失）问题，想办法求出让误差最小的情况，就可以得到问题的最优解。线性回归方程的损失函数通常是通过最小二乘法，或者梯度下降法进行求解，在这里我们不展开叙述。线性回归是目前运用最广泛的模型之一，在金融、经济学、医学等领域常常用来解决预测类问题。通过观测数据集拟合出一个预测模型，我们就可以知道：一组特定数据是否在一段时间内会增长或下降？3.逻辑回归Logisticregression，LR逻辑回归实际上也是一个线性回归模型，但是线性回归常常用来做预测，逻辑回归却常常用来解决二分类问题。澳洲U网数字货币交易所U讯_区块链新闻资讯_区块链媒体澳洲U网数字货币交易所讯_区块链新闻资讯_区块链媒体为什么会有这么大的差异呢？如果对于上面的感知机算法来说，目标是为了找到一个能够将正负样本完全分开的超平面的话，从另外一个层面看感知机算法就相当于是一个跃阶函数。我们只需要找到阈值，并且拿输入的数据去对比，得出数据是大于还是小于这个阈值，然后就能给出的就是0或1（正/负样本）的反馈。对应到数学模型上：我们只需要把算出来的结果映射到这个跃阶函数上看看大于0还是小于0，就能说他是一个正样本还是负样本。感知器的模型虽然简单直观，但问题在于这个模型不够光滑。如果一个新的样本点我们计算出来结果等于0.01——只是比0大了一点点，就被分类为正样本，这样在实际应用的时候就可能会不够准确。同时，这个函数在0处有一个跃阶导致这一点不连续，在数学上也不好处理。那么有没有什么方法可以让这个函数更光滑一点呢？在数学上刚好存在一个sigmoid函数有这样的特性。这个函数的输入范围是“−∞→+∞”，而值域则光滑地分布在0到1之间。对于这个模型的解释和感知机也稍微有些区别。感知机：是根据输入的条件，判断是一个正样本还是负样本。澳洲U网数字货币交易所U讯_区块链新闻资讯_区块链媒体澳洲U网数字货币交易所讯_区块链新闻资讯_区块链媒体而逻辑回归因为值域分布在0到1之间的特性，所以输出的是判断是：一个正样本或负样本的概率是多少？我们的学习策略即是：求所有训练样本的条件概率之积的最大值——也可以理解为求概率之积尽可能大，这样模型预测的效果就会越准确。逻辑回归的本质上是一个线性回归模型，只是在特征到结果的映射中加入了一层函数映射——即先把特征线性求和，然后使用函数g(z)将最为假设函数来预测。我们看到的参数z，实际上也是一个线性回归的方程，只不过在这里符号化表示。实际上求解的方式与线性回归是相同的——都是要通过损失函数的方式逼近最优解。逻辑回归的目的是：将样本分成0或1两类。但是，我们也关心样本分类的准确性。例如：一个肿瘤被预测出来是恶性的，我们也会关心它是恶性的可能性有多大？对逻辑回归的理解也可以是：我们通过概率将样本分成了0和1两类。因为逻辑回归不像感知机——通过一个固定的阀值去判断样本数据的正负性，所以在二维平面上也不再是通过一条直线去判断数据。而是变得更加有包容性，可以把一些不能线性区分的数据集区分开来。澳洲U网数字货币交易所U讯_区块链新闻资讯_区块链媒体澳洲U网数字货币交易所讯_区块链新闻资讯_区块链媒体其根本原因就是：sigmoid函数把因变量和自变量变成了曲线的关系，使得在函数在二维平面上的表现更为柔和。这里面损失函数发挥了很大的作用，这里不再展开说明。逻辑回归与感知机相比，有三方面的优势：1.直接对分类可能性建模，不需要事先假设数据的分布情况。感知机算法中如果不先假设一下数据的分布再去确定线的位置的话，很可能会算错，但是逻辑回归算法就避免了这个问题。2.不仅可以预测出类别，还可以给出具体的概率预测值。这对预测结果有更好的解释性。3.有很好的数学性质，方便计算，工程量较小。逻辑回归算法因其是现在最广泛使用的算法之一，常常用于寻找某一疾病的危险因素、个人信用评估、贷款/金融意图预测等等领域。同时，也可以用来对数据做自动判别分析，比如：一条评论是正面还是负面？一个用户的购买路径是男性还是女性？预测用户会不会购买某种商品？等等。逻辑回归应用广泛还是因为它的模型与许多现实问题相吻合，能够帮助我们快速解决很多实际的问题。4.K近邻分类算法K-NearestNeighbor，KNN上面我们说到，感知机以及逻辑回归实际上都是一种二分类算法，非黑即白。那，如果遇到多分类问题该如何解决呢？有一种非常简单的算法可以帮助我们快速