本帖最后由 davyhero4 于 2019-10-1 08:05 編輯
7 a |2 r; J, Z0 X+ A. `6 Y% r) M w5 L, y3 x' v# Q$ ^6 i
機(jī)器學(xué)習(xí)算法的分類(lèi)是棘手的,，有幾種合理的分類(lèi),，他們可以分為生成/識(shí)別，參數(shù)/非參數(shù),，監(jiān)督/無(wú)監(jiān)督等,。 例如，Scikit-Learn的文檔頁(yè)面通過(guò)學(xué)習(xí)機(jī)制對(duì)算法進(jìn)行分組,。這產(chǎn)生類(lèi)別如：1,，廣義線性模型，2,，支持向量機(jī),，3，最近鄰居法,，4,，決策樹(shù)，5,，神經(jīng)網(wǎng)絡(luò),，等等… 但是，從我們的經(jīng)驗(yàn)來(lái)看,，這并不總是算法分組最為實(shí)用的方法,。那是因?yàn)閷?duì)于應(yīng)用機(jī)器學(xué)習(xí),，你通常不會(huì)想，“今天我要訓(xùn)練一個(gè)支持向量機(jī),！”相反,，你心里通常有一個(gè)最終目標(biāo)，如利用它來(lái)預(yù)測(cè)結(jié)果或分類(lèi)觀察,。 所以在機(jī)器學(xué)習(xí)中,，有一種叫做“沒(méi)有免費(fèi)的午餐”的定理。簡(jiǎn)而言之,，它的意思就是說(shuō)沒(méi)有任何一種算法可以完美地解決每個(gè)問(wèn)題,，這對(duì)于監(jiān)督式學(xué)習(xí)（即預(yù)測(cè)性建模）尤其重要。 例如,，你不能說(shuō)神經(jīng)網(wǎng)絡(luò)總是比決策樹(shù)好,，反之亦然。有很多因素在起作用,，比如數(shù)據(jù)集的大小和結(jié)構(gòu),。因此，您應(yīng)該為您的問(wèn)題嘗試許多不同的算法,，同時(shí)使用數(shù)據(jù)的“測(cè)試集”來(lái)評(píng)估性能并選擇優(yōu)勝者,。 當(dāng)然，你嘗試的算法必須適合你的問(wèn)題,，這就是選擇正確的機(jī)器學(xué)習(xí)算法的重要性之所在,。打個(gè)比方，如果你需要清理你的房子,，你可以使用真空吸塵器,，掃帚或拖把，但是你不會(huì)拿出一把鏟子然后開(kāi)始挖掘,。 因此,，我們想要介紹另一種分類(lèi)算法的方法，即通過(guò)機(jī)器學(xué)習(xí)所負(fù)責(zé)的任務(wù)來(lái)分類(lèi),。 機(jī)器學(xué)習(xí)的任務(wù) 1.回歸 回歸是一種用于建模和預(yù)測(cè)連續(xù)數(shù)值變量的監(jiān)督學(xué)習(xí)任務(wù),。例如預(yù)測(cè)房地產(chǎn)價(jià)格，股價(jià)變動(dòng)或?qū)W生考試分?jǐn)?shù)。 回歸任務(wù)的特征是具有數(shù)字目標(biāo)變量的標(biāo)記數(shù)據(jù)集,。換句話說(shuō),，對(duì)于每個(gè)可用于監(jiān)督算法的觀察結(jié)果，您都有一些“基于事實(shí)”的數(shù)值,。 ![]() 1.1。（正則化）線性回歸 線性回歸是回歸任務(wù)中最常用的算法之一。它最簡(jiǎn)單的形式是試圖將一個(gè)直的超平面整合到你的數(shù)據(jù)集中（即當(dāng)你只有兩個(gè)變量的時(shí)候,，你只能得到一條直線）,。正如您可能猜到的那樣，當(dāng)數(shù)據(jù)集的變量之間存在線性關(guān)系時(shí),，它的效果是非常好的,。 實(shí)際上，簡(jiǎn)單的線性回歸經(jīng)常被正則化的同類(lèi)算法（LASSO,，Ridge和Elastic-Net）所忽略,。正則化是一種懲罰大系數(shù)的技術(shù)，以避免過(guò)度擬合,，它應(yīng)該調(diào)整其懲罰的力度,。 優(yōu)點(diǎn)：線性回歸可以直觀地理解和解釋?zhuān)⑶铱梢哉齽t化以避免過(guò)度擬合。另外,，使用隨機(jī)梯度下降的新數(shù)據(jù)可以很容易地更新線性模型,。 缺點(diǎn)：當(dāng)存在非線性關(guān)系時(shí)，線性回歸表現(xiàn)不佳,。它們本身并不具有足夠的靈活性來(lái)捕捉更為復(fù)雜的模式,，對(duì)于添加正確的交互作用項(xiàng)或者多項(xiàng)式來(lái)說(shuō)可能會(huì)非常棘手和耗時(shí)。 實(shí)現(xiàn)：Python/ R 1.2,�,；貧w樹(shù)（集成） 回歸樹(shù)（決策樹(shù)的一種）是通過(guò)將數(shù)據(jù)集反復(fù)分割成單獨(dú)的分支來(lái)實(shí)現(xiàn)分層化學(xué)習(xí)，從而最大化每個(gè)分割信息的增益效果,。這種分支結(jié)構(gòu)允許回歸樹(shù)自然地學(xué)習(xí)非線性關(guān)系,。 隨機(jī)森林（RF）和梯度增強(qiáng)樹(shù)（GBM）等集成方法結(jié)合了許多單獨(dú)樹(shù)的特性。我們不會(huì)在這里介紹他們的基本機(jī)制,，但是在實(shí)踐中,，隨機(jī)森林通常表現(xiàn)地非常好，而梯度增強(qiáng)樹(shù)則很難調(diào)整,，但是后者往往會(huì)有更高的性能上限,。 優(yōu)點(diǎn)：回歸樹(shù)可以學(xué)習(xí)非線性關(guān)系，并且對(duì)異常值相當(dāng)敏銳,。在實(shí)踐中,，回歸樹(shù)也表現(xiàn)地非常出色，贏得了許多經(jīng)典（即非深度學(xué)習(xí)）的機(jī)器學(xué)習(xí)比賽,。 缺點(diǎn)：無(wú)約束的單個(gè)樹(shù)很容易過(guò)擬合,，因?yàn)樗鼈兛梢员３址种е钡剿鼈冇涀×怂械挠?xùn)練數(shù)據(jù)。但是,，這個(gè)問(wèn)題可以通過(guò)使用集成的方式來(lái)緩解,。 實(shí)現(xiàn)：隨機(jī)森林 - Python / R，梯度增強(qiáng)樹(shù) - Python / R 1.3,。深度學(xué)習(xí) 深度學(xué)習(xí)是指能學(xué)習(xí)極其復(fù)雜模式的多層神經(jīng)網(wǎng)絡(luò),。他們使用輸入和輸出之間的“隱藏層”來(lái)模擬其他算法難以學(xué)習(xí)的數(shù)據(jù)中介碼,。 他們有幾個(gè)重要的機(jī)制，如卷積和丟棄,，使他們能夠有效地從高維數(shù)據(jù)中學(xué)習(xí),。然而，與其他算法相比,，深度學(xué)習(xí)仍然需要更多的數(shù)據(jù)來(lái)訓(xùn)練,，因?yàn)檫@些模型需要更多的參數(shù)來(lái)實(shí)現(xiàn)其更準(zhǔn)確的推測(cè)。 優(yōu)點(diǎn)：深度學(xué)習(xí)是在諸如計(jì)算機(jī)視覺(jué)和語(yǔ)音識(shí)別等領(lǐng)域內(nèi),，目前可以被利用的最先進(jìn)的方法,。深度神經(jīng)網(wǎng)絡(luò)在圖像，音頻和文本數(shù)據(jù)上表現(xiàn)地非常出色,，可以輕松地使用成批量的傳播方法來(lái)更新數(shù)據(jù),。它的體系結(jié)構(gòu)（即層的數(shù)量和結(jié)構(gòu)）可以適應(yīng)許多類(lèi)型的問(wèn)題，并且它們的隱藏層減少了對(duì)特征工程的需要,。 缺點(diǎn)：深度學(xué)習(xí)算法不適合作為通用算法,，因?yàn)樗鼈冃枰罅康臄?shù)據(jù)。事實(shí)上,，對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)問(wèn)題,，它們的表現(xiàn)通常遜色于決策樹(shù)。另外,，它們需要密集型的計(jì)算訓(xùn)練,，而且需要更多的專(zhuān)業(yè)知識(shí)來(lái)做調(diào)試（即設(shè)置架構(gòu)和超參數(shù)）。 實(shí)現(xiàn)：Python/ R 1.4,。特別提及：最近鄰居法 最近鄰居算法是“基于實(shí)例的”,，這意味著它會(huì)保存每個(gè)訓(xùn)練觀察的結(jié)果。然后,，通過(guò)搜索最相似的訓(xùn)練觀察值并匯集結(jié)果,，來(lái)預(yù)測(cè)新的觀測(cè)值。 這些算法是內(nèi)存密集型的,，對(duì)于高維度數(shù)據(jù)的表現(xiàn)不佳,，并且需要有意義的距離函數(shù)來(lái)計(jì)算相似度。在實(shí)踐中,，訓(xùn)練正則化回歸或決策樹(shù)可能會(huì)更節(jié)省你的時(shí)間,。 2.分類(lèi) 分類(lèi)是建模和預(yù)測(cè)分類(lèi)變量的監(jiān)督學(xué)習(xí)任務(wù)。例如預(yù)測(cè)員工的流失,，垃圾郵件,，財(cái)務(wù)欺詐或者學(xué)生信件等級(jí)。 如你所見(jiàn)，許多回歸算法都有分類(lèi)對(duì)應(yīng),。這種算法適用于預(yù)測(cè)類(lèi)（或類(lèi)概率）而不是實(shí)數(shù)類(lèi)。
; ~" @8 u9 W. k$ E& F2.1,。（正則化的）邏輯回歸 邏輯回歸是線性回歸的分類(lèi)對(duì)應(yīng),。它預(yù)測(cè)被映射到介于0和1之間的邏輯函數(shù)，這意味著預(yù)測(cè)可以被解釋為類(lèi)概率,。 模型本身仍然是“線性的”,，所以當(dāng)你的類(lèi)是線性可分的（即它們可以被一個(gè)單一的決策表面分開(kāi)）時(shí)候，邏輯回歸算法十分有效,。邏輯回歸也可以通過(guò)具有可調(diào)懲罰強(qiáng)度的系數(shù)來(lái)實(shí)現(xiàn)正則化,。 優(yōu)點(diǎn)：數(shù)據(jù)的輸出有一個(gè)很好的概率解釋?zhuān)惴ǹ梢哉齽t化以避免過(guò)度擬合。邏輯回歸可以使用隨機(jī)梯度下降的方法使得新數(shù)據(jù)的更新變得更為輕松,。 缺點(diǎn)：當(dāng)存在多個(gè)或非線性的決策邊界時(shí),，邏輯回歸往往表現(xiàn)不佳。它不夠靈活,，無(wú)法自然地捕捉到更復(fù)雜的關(guān)系,。 實(shí)現(xiàn)：Python/ R 2.2。分類(lèi)樹(shù)（集成） 分類(lèi)樹(shù)是回歸樹(shù)的分類(lèi)對(duì)應(yīng)算法,。它們倆被統(tǒng)稱(chēng)為“決策樹(shù)”,，或者被稱(chēng)為“分類(lèi)和回歸樹(shù)（CART）”。 優(yōu)點(diǎn)：與回歸樹(shù)一樣,，集成分類(lèi)樹(shù)在實(shí)踐中的表現(xiàn)也很好,。它們對(duì)于異常值的控制是可靠的和可擴(kuò)展的，并且由于它們的層次結(jié)構(gòu),，能夠自然地對(duì)非線性決策邊界進(jìn)行建模,。 缺點(diǎn)：不受約束的單個(gè)樹(shù)容易過(guò)度擬合，但是這可以通過(guò)集成方法來(lái)緩解,。 實(shí)現(xiàn)：隨機(jī)森林 - Python / R,，梯度增強(qiáng)樹(shù) - Python / R 2.3。深度學(xué)習(xí) 延續(xù)其一貫的趨勢(shì),，深度學(xué)習(xí)也很容易適應(yīng)分類(lèi)問(wèn)題,。實(shí)際上，深度學(xué)習(xí)往往是分類(lèi)中比較常用的方法,，比如在圖像分類(lèi)中,。 優(yōu)點(diǎn)：在分類(lèi)音頻，文本和圖像數(shù)據(jù)時(shí),，深度學(xué)習(xí)表現(xiàn)地非常出色,。 缺點(diǎn)：與回歸一樣，深度神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，所以它不被視為通用算法,。 實(shí)現(xiàn)：Python的/ R 2.4,。支持向量機(jī) 支持向量機(jī)（SVM）使用稱(chēng)為核心（kernels）的機(jī)制，它計(jì)算兩個(gè)觀察對(duì)象之間的距離,。隨后支持向量機(jī)算法找到一個(gè)決策邊界,，最大化不同類(lèi)別的最近成員之間的距離。 例如,，具有線性內(nèi)核的支持向量機(jī)類(lèi)似于邏輯回歸,。因此，在實(shí)踐中,，支持向量機(jī)的好處通常來(lái)自于使用非線性的內(nèi)核來(lái)建模一種非線性的決策邊界,。 優(yōu)點(diǎn)：支持向量機(jī)可以模擬非線性決策邊界，并有許多內(nèi)核可供選擇,。它們對(duì)于過(guò)度擬合的控制力也相當(dāng)強(qiáng)大,，特別是在高維空間。 缺點(diǎn)：然而,，支持向量機(jī)是難以調(diào)整的內(nèi)存密集型算法,，而且很依賴于選擇正確的核心，并且不能很好地?cái)U(kuò)展到較大的數(shù)據(jù)集里,。目前在行業(yè)中,，隨機(jī)森林通常優(yōu)于支持向量機(jī)。 實(shí)現(xiàn)：Python/ R 2.5,。樸素貝葉斯 樸素貝葉斯（NB）是一個(gè)基于條件概率和計(jì)數(shù)的非常簡(jiǎn)單的算法,。從本質(zhì)上講，你的模型實(shí)際上是一個(gè)概率表,，通過(guò)你的訓(xùn)練數(shù)據(jù)得到更新,。為了預(yù)測(cè)一個(gè)新的觀察結(jié)果，您只需根據(jù)其“特征值”,，在“概率表”中查找該類(lèi)的概率,。 它被稱(chēng)為“樸素的”，是因?yàn)樗鼦l件獨(dú)立的核心假設(shè)（即所有輸入特征是相互獨(dú)立的）,，這在現(xiàn)實(shí)世界中很少成立,。 優(yōu)點(diǎn)：即使條件獨(dú)立性假設(shè)很少成立，但樸素貝葉斯模型在實(shí)踐中表現(xiàn)得非常出色,，特別是它十分簡(jiǎn)單,。而且很容易實(shí)現(xiàn)，并可以和數(shù)據(jù)集同步擴(kuò)展,。 缺點(diǎn)：由于其簡(jiǎn)單化的原因,，樸素貝葉斯模型經(jīng)常被經(jīng)過(guò)適當(dāng)訓(xùn)練的其他模型和之前已經(jīng)列出的算法吊打,。 實(shí)現(xiàn)：Python/ R 3.聚類(lèi) 聚類(lèi)是一種無(wú)監(jiān)督的學(xué)習(xí)任務(wù)，用于基于數(shù)據(jù)集中的固有結(jié)構(gòu)來(lái)發(fā)現(xiàn)自然的觀測(cè)分組（即聚類(lèi)）,。例子包括客戶細(xì)分,，電子商務(wù)中的類(lèi)似項(xiàng)目分組以及社交網(wǎng)絡(luò)分析。 因?yàn)榫垲?lèi)是無(wú)監(jiān)督的（即沒(méi)有“正確答案”）,，所以通常使用可視化的數(shù)據(jù)來(lái)評(píng)估結(jié)果,。如果有“正確的答案”（即你的訓(xùn)練集中有預(yù)標(biāo)記的聚類(lèi)），那么選擇分類(lèi)算法通常更合適,。 ![]() 3.1。K-Means算法 K-Means算法是一種通用算法,，它根據(jù)點(diǎn)之間的幾何距離（即坐標(biāo)平面上的距離）進(jìn)行聚類(lèi),。這些集群圍繞著質(zhì)心分組，使它們成為球形,，并具有相似的大小,。 對(duì)于初學(xué)者來(lái)說(shuō)，這是我們推薦的一種算法,，因?yàn)樗芎?jiǎn)單,，而且足夠靈活，可以為大多數(shù)問(wèn)題獲得合理的結(jié)果,。 優(yōu)點(diǎn)：K-Means算法是最流行的聚類(lèi)算法,，因?yàn)槿绻腩A(yù)處理數(shù)據(jù)或者編譯有用的功能，它是一種快速,，簡(jiǎn)單和擁有令人驚訝的靈活性的一種算法,。 缺點(diǎn)：用戶必須指定簇的數(shù)目，這并不總是很容易的,。另外,，如果數(shù)據(jù)中真實(shí)的底層聚類(lèi)不是球狀的，那么K-Means算法將產(chǎn)生錯(cuò)誤的聚類(lèi),。 實(shí)現(xiàn)：Python/ R 3.2,。近鄰傳播 近鄰傳播是一種相對(duì)較新的聚類(lèi)技術(shù)，可以根據(jù)點(diǎn)之間的圖距進(jìn)行聚類(lèi),。集群傾向于變得更小和具有不均勻的大小,。 優(yōu)點(diǎn)：用戶不需要指定簇的數(shù)量（但是需要指定“樣本偏好”和“阻尼”超參數(shù)）。 缺點(diǎn)：近鄰傳播的主要缺點(diǎn)是速度很慢,，占用內(nèi)存很大,，難以擴(kuò)展到較大的數(shù)據(jù)集。另外,，它也需要假設(shè)真正的底層集群是球狀的,。 實(shí)現(xiàn)：Python/ R 3.3,。分層/凝聚 分層聚類(lèi)，又名聚集聚類(lèi),，是基于相同思想的一套算法：（1）從它自己的聚類(lèi)中的每個(gè)點(diǎn)開(kāi)始,。（2）對(duì)于每個(gè)簇，根據(jù)一些標(biāo)準(zhǔn)將其與另一個(gè)簇合并,。（3）重復(fù),，直到只剩下一個(gè)群集，并留下一個(gè)簇的層次結(jié)構(gòu),。 優(yōu)點(diǎn)：分層聚類(lèi)的主要優(yōu)點(diǎn)是不會(huì)假設(shè)球體是球狀的,。另外，它可以很好地?cái)U(kuò)展到更大的數(shù)據(jù)集里,。 缺點(diǎn)：就像K-Means算法一樣,，用戶必須選擇聚類(lèi)的數(shù)量（即在算法完成之后要保留的層次級(jí)別）。 實(shí)現(xiàn)：Python/ R
- h& H* h5 l; M7 e+ ^5 W |
發(fā)表于 2019-10-1 08:03:50
QQ好友和群
收藏
淘帖
問(wèn)題專(zhuān)業(yè)，描述清楚
伸手黨/灌水/看不懂
樓主
