机器学习算法

通过本篇文章可以对ML的常用算法有个常识性的认识，没有代码，没有复杂的理论推导，就是图解一下，知道这些算法是什么，它们是怎么应用的，例子主要是分类问题。每个算法都看了好几个视频，挑出讲的最清晰明了有趣的，便于科普。以后有时间再对单个算法做深入地解析。今天的算法如下：1.决策树2.随机森林算法3.逻辑回归4.SVM5.朴素贝叶斯6.K最近邻算法7.K均值算法8.Adaboost算法9.神经网络10.马尔可夫1.决策树根据一些feature进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上。2.随机森林在源数据中随机选取数据，组成几个子集S矩阵是源数据，有1-N条数据，ABC是feature，最后一列C是类别由S随机生成M个子矩阵这M个子集得到M个决策树将新数据投入到这M个树中，得到M个分类结果，计数看预测成哪一类的数目最多，就将此类别作为最后的预测结果3.逻辑回归当预测目标是概率这样的，值域需要满足大于等于0，小于等于1的，这个时候单纯的线性模型是做不到的，因为在定义域不在某个范围之内时，值域也超出了规定区间。所以此时需要这样的形状的模型会比较好那么怎么得到这样的模型呢？这个模型需要满足两个条件大于等于0，小于等于1大于等于0的模型可以选择绝对值，平方值，这里用指数函数，一定大于0小于等于1用除法，分子是自己，分母是自身加上1，那一定是小于1的了再做一下变形，就得到了logisticregression模型通过源数据计算可以得到相应的系数了最后得到logistic的图形4.SVMsupportvectormachine要将两类分开，想要得到一个超平面，最优的超平面是到两类的margin达到最大，margin就是超平面与离它最近一点的距离，如下图，Z2Z1，所以绿色的超平面比较好将这个超平面表示成一个线性方程，在线上方的一类，都大于等于1，另一类小于等于－1点到面的距离根据图中的公式计算所以得到totalmargin的表达式如下，目标是最大化这个margin，就需要最小化分母，于是变成了一个优化问题举个栗子，三个点，找到最优的超平面，定义了weightvector＝（2，3）－（1，1）得到weightvector为（a，2a），将两个点代入方程，代入（2，3）另其值＝1，代入（1，1）另其值＝-1，求解出a和截矩w0的值，进而得到超平面的表达式。a求出来后，代入（a，2a）得到的就是supportvectora和w0代入超平面的方程就是supportvectormachine5.朴素贝叶斯举个在NLP的应用给一段文字，返回情感分类，这段文字的态度是positive，还是negative为了解决这个问题，可以只看其中的一些单词这段文字，将仅由一些单词和它们的计数代表原始问题是：给你一句话，它属于哪一类通过bayesrules变成一个比较简单容易求得的问题问题变成，这一类中这句话出现的概率是多少，当然，别忘了公式里的另外两个概率栗子：单词love在positive的情况下出现的概率是0.1，在negative的情况下出现的概率是0.0016.K最近邻knearestneighbours给一个新的数据时，离它最近的k个点中，哪个类别多，这个数据就属于哪一类栗子：要区分猫和狗，通过claws和sound两个feature来判断的话，圆形和三角形是已知分类的了，那么这个star代表的是哪一类呢k＝3时，这三条线链接的点就是最近的三个点，那么圆形多一些，所以这个star就是属于猫7.K均值想要将一组数据，分为三类，粉色数值大，黄色数值小最开心先初始化，这里面选了最简单的3，2，1作为各类的初始值剩下的数据里，每个都与三个初始值计算距离，然后归类到离它最近的初始值所在类别分好类后，计算每一类的平均值，作为新一轮的中心点几轮之后，分组不再变化了，就可以停止了8.Adaboostadaboost是bosting的方法之一bosting就是把若干个分类效果并不好的分类器综合起来考虑，会得到一个效果比较好的分类器。下图，左右两个决策树，单个看是效果不怎么好的，但是把同样的数据投入进去，把两个结果加起来考虑，就会增加可信度adaboost的栗子，手写识别中，在画板上可以抓取到很多features，例如始点的方向，始点和终点的距离等等training的时候，会得到每个feature的weight，例如2和3的开头部分很像，这个feature对分类起到的作用很小，它的权重也就会较小而这个alpha角就具有很强的识别性，这个feature的权重就会较大，最后的预测结果是综合考虑这些feature的结果9.神经网络NeuralNetworks适合一个input可能落入至少两个类别里NN由若干层神经元，和它们之间的联系组成第一层是input层，最后一层是output层在hidden层和output层都有自己的classifierinput输入到网络中，被激活，计算的分数被传递到下一层，激活后面的神经层，最后output层的节点上的分数代表属于各类的分数，下图例子得到分类结果为class1同样的input被传输到不同的节点上，之所以会得到不同的结果是因为各自节点有不同的weights和bias这也就是forwardpropagation10.马尔可夫MarkovChains由state和transitions组成栗子，根据这一句话‘thequickbrownfoxjumpsoverthelazydog’，要得到markovchain步骤，先给每一个单词设定成一个状态，然后计算状态间转换的概率这是一句话计算出来的概率，当你用大量文本去做统计的时候，会得到更大的状态转移矩阵，例如the后面可以连接的单词，及相应的概率生活中，键盘输入法的备选结果也是一样的原理，模型会更高级