机器学习
Basic
- 监督学习(supervised learning):
- 分类(classification):样本属于两个或多个类别,我们希望从已经标记的数据中学习如何预测未标记数据的类别。
- 回归(regression): 用于估计因变量(dependent variable, outcome, response...)与一个或多个自变量(independent variable, co-variants, feature...)之间的关系。
- 线性回归(linear regression):这是一个很典型的例子,它认为因变量和自变量之间的关系是线性的(\(y=wx+b\),更准确的表达是\(y = \vec{w}^T\vec{x} + b\))。线性回归模型可以使用最小二乘法拟合。
- 逻辑斯谛回归(Logistic regression):结果只有0和1两种情况,类似于分类问题了。
- 无监督学习(unsupervised learning):
- 聚类(clustering): 在数据中发现相似示例的组,其中称为聚类。一般我们说无监督学习指的基本上就是聚类。
- 或者确定输入空间中数据的分布,称为密度估计,或者将数据从高维空间投影到二维或三维以实现可视化。
机器学习在实际操作层面一共分为7步:
- 收集数据
- 数据准备
- 选择一个模型
- 训练
- 评估
- 参数调整
- 预测(开始使用)
在理论层面分为3步:
- 设计一个带未知参数的函数 (即模型)
- 定义损失函数 L
- 求解一个优化问题 (让损失函数在数据集上表现的最好)
一些算法
分类算法
Decision Tree: 这也是非常简单经典的Classification算法。
Nearest Neighbor (KNN): 这是非常简单经典的Classification算法。
首先我们需要定义“距离”,常用的有欧氏距离,曼哈顿距离,汉明距离等。注意在实际训练中,将不同特征归一化再算距离。
KNN算法,即是给定一个训练数据集,对新的输入实例,在训练数据集中找到与该实例最邻近的K个实例,这K个实例的多数属于某个类,就把该输入实例分类到这个类中。(这就类似于现实生活中少数服从多数的思想)。
那么KNN的参数就只是简单的K了。K太小或者太大都会影响模型的效果。
Bayes Classification Methods
Support Vector Machine: 对于SVM来说,数据点被视为 p 维向量,而我们想知道是否可以用 p-1 维超平面来分开这些点,让超平面和最近的点之间的距离最大化。这就是所谓的线性分类器。
设样本属于两个类,用该样本训练SVM得到的最大间隔超平面。在边缘上的样本点称为支持向量。我们要求的参数就是\(w\)和\(b\)(在二维平面上是数字,p维就是p-1位向量了)。
通过一些修改,可以使用非线形的方法(也就是说不使用平面分开这些点)对数据进行分类;
通过一些修改,可以将数据分成大于2类,最直观的方法是使用\(C^2_n\) 次SVM,然后将\(C^2_n\)个模型全部应用到数据中,最后看分到哪一类的结果最多。
Perceptron
回归算法
在我们开始考虑如何用模型拟合(fit)数据之前,我们需要确定一个拟合程度的度量。 损失函数(loss function) 能够量化目标的 实际值 与 预测值 之间的差距。 通常我们会选择非负数作为损失,且数值越小表示损失越小,完美预测时的损失为0。 回归问题中最常用的损失函数是平方误差函数。 当样本\(i\)的预测值为\(\hat{y}_i\),其相应的真实标签为\(y_i\)时, 平方误差可以定义为以下公式:
$$L(args) = \frac{1}{n}\sum_{i=1}^n \frac{1}{2}(\hat{y}_i-y_i)^2 $$
模型训练的目标就是找到参数\(args\)使得 Loss 最小。对于线性回归来说,我们是可以使用最小二乘法求出参数的解析解的。但是并不是所有的问题都可以求出解析解,这才是机器学习解决回归问题的用武之地。
- Linear model
- Linear regression, orthogonal regression
- Lasso, elastic regression, ridge regression,
- Logistic Regression (general linear)
- Non-Linear model
- MLP, DNN, CNN, RNN, LSTM (Deep learning)
- Decision Tree, random forest(ML, 2001)
- Adaboost(JCSS, 1997), Xgboost(KDD, 2016)
CNN(Convolutional Neural Networks, 卷积神经网络)
聚类算法
k-min