机器学习导论

1.什么是机器学习

略。
直接谷歌:机器学习西瓜书 周志华老师写的

2.机器学习种类

监督式学习:从标注数据中学习预测模型,本质是学习输入到输出的映射统计规律。
主要运用在
分类问题:利用已知训练数据集选择方法学习一个分类器,利用该分类器对新输入实例进行分类。例如图像处理(人脸识别、识花识猫识狗等等),文本分类(正面意见、反面意见,词频分类,垃圾邮件等等)。常用方法:k邻近,感知机,决策树,朴素贝叶斯,逻辑斯蒂回归,支持向量机,神经网络等等。二分类问题常用判断指标:精确率precision,召回率recall ,F1值 。定义概念略,这部分是统计学知识。

标注问题:学习一个模型,使它对观测序列给出标记序列作为预测。自然语言处理广泛运用。常用方法如隐马尔可夫模型,条件随机场。

回归问题:用于预测输入变量和输出变量之间的关系。按输入变量个数可以分为一元回归,多元回归,按输入输出变量之间的关系类型可以分为线性回归,非线性回归。最简单的线性回归其实就是以前中学学过的线性代数学过了。回归问题更多用来预测市场走势、股价、客户满意度等。
李航老师《统计学系方法》第二版里有常用的10种监督学习方法总结

无监督学习:从无标注数据中学习预测模型,本质是学习数据中的统计规律。常用方法有聚类、降维、话题分析、图分析。

强化学习:在与环境的连续互动中学习最优行为策略的机器学习问题。
半监督:利用少量标注、大量未标注数据预测模型
主动学习:机器不断给出实例进行标注,利用标注数据学习预测模型的机器学习问题。

3.代价函数与优化目标

监督学习中,在假设空间F中选取模型f作为决策函数,对于给定的输入X由f(X)给出对应输出Y,输出的预测值f(X)与真实值Y不一定相等,由此给出一个代价函数cost function来度量不一致的程度。而学习的目的就是期望预测值与真实值差距最小,也就是我们预测的结果可以无限接近真实情况。

4.泛化能力

由该方法学习到的模型对未知数据的预测能力,我们称为模型的泛化能力。模型的误差越小,泛化能力越强。
由此我们知道当我们有数据集时,需要对数据进行划分,将它分为测试集train和训练集test。在训练集上进行训练,得到f(X)后与测试集Y进行比较,使误差最小。

5.过拟合

预测学习中,我们希望有一个最合适对模型,其参数能最接近真实模型。然而如果一味追求对训练数据的预测能力,则预测模型的复杂度往往会超过真实模型,表现为对训练集预测完美,但对未知数据预测很差。这种情况称为过拟合。避免过拟合通常会采取正则化或者交叉验证的办法。

6.正则化与交叉验证

正则化就是在函数后面加一个正则项或叫做惩罚项。正则项一般是模型复杂度单调递增函数,即模型越复杂,正则项越大。正则项符合奥卡姆剃刀原理:在所有可能选择的模型中,能够很好的解释已知数据且十分简单的才是最好的模型,也是最应该选择的模型。
交叉验证一般用来选择参数。将给定数据进行切分,重复使用,在此基础上反复训练、测试。切分多少份,就训练多少次。一般情况下,取最后的平均值来得出最优参数,得出最佳模型。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 151,829评论 1 331
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 64,603评论 1 273
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 101,846评论 0 226
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 42,600评论 0 191
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 50,780评论 3 272
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 39,695评论 1 192
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,136评论 2 293
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,862评论 0 182
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,453评论 0 229
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,942评论 2 233
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,347评论 1 242
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,790评论 2 236
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,293评论 3 221
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,839评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,448评论 0 181
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 34,564评论 2 249
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 34,623评论 2 249

推荐阅读更多精彩内容