本帖最后由 davyhero4 于 2019-10-1 08:05 編輯 . l/ v; l) I3 \/ L3 t, _
0 t/ ?6 H2 c4 j: X8 C3 H& z機(jī)器學(xué)習(xí)算法的分類是棘手的，有幾種合理的分類,，他們可以分為生成/識別,，參數(shù)/非參數(shù)，監(jiān)督/無監(jiān)督等,。 例如,，Scikit-Learn的文檔頁面通過學(xué)習(xí)機(jī)制對算法進(jìn)行分組。這產(chǎn)生類別如：1,，廣義線性模型,，2，支持向量機(jī),，3,，最近鄰居法，4,，決策樹,，5，神經(jīng)網(wǎng)絡(luò),，等等… 但是,，從我們的經(jīng)驗來看，這并不總是算法分組最為實用的方法,。那是因為對于應(yīng)用機(jī)器學(xué)習(xí),，你通常不會想，“今天我要訓(xùn)練一個支持向量機(jī),！”相反,，你心里通常有一個最終目標(biāo)，如利用它來預(yù)測結(jié)果或分類觀察,。 所以在機(jī)器學(xué)習(xí)中,，有一種叫做“沒有免費的午餐”的定理。簡而言之,，它的意思就是說沒有任何一種算法可以完美地解決每個問題,，這對于監(jiān)督式學(xué)習(xí)（即預(yù)測性建模）尤其重要,。 例如，你不能說神經(jīng)網(wǎng)絡(luò)總是比決策樹好,，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)該為您的問題嘗試許多不同的算法，同時使用數(shù)據(jù)的“測試集”來評估性能并選擇優(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,，但是你不會拿出一把鏟子然后開始挖掘。 因此,，我們想要介紹另一種分類算法的方法,，即通過機(jī)器學(xué)習(xí)所負(fù)責(zé)的任務(wù)來分類。 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)測連續(xù)數(shù)值變量的監(jiān)督學(xué)習(xí)任務(wù),。例如預(yù)測房地產(chǎn)價格,，股價變動或?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,，對于每個可用于監(jiān)督算法的觀察結(jié)果，您都有一些“基于事實”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。它最簡單的形式是試圖將一個直的超平面整合到你的數(shù)據(jù)集中（即當(dāng)你只有兩個變量的時候,，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,，它的效果是非常好的,。 實際上，簡單的線性回歸經(jīng)常被正則化的同類算法（LASSO,，Ridge和Elastic-Net）所忽略,。正則化是一種懲罰大系數(shù)的技術(shù)，以避免過度擬合,，它應(yīng)該調(diào)整其懲罰的力度,。 優(yōu)點：線性回歸可以直觀地理解和解釋,，并且可以正則化以避免過度擬合。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：當(dāng)存在非線性關(guān)系時，線性回歸表現(xiàn)不佳,。它們本身并不具有足夠的靈活性來捕捉更為復(fù)雜的模式,，對于添加正確的交互作用項或者多項式來說可能會非常棘手和耗時。 實現(xiàn)：Python/ R 1.2,�,；貧w樹（集成） 回歸樹（決策樹的一種）是通過將數(shù)據(jù)集反復(fù)分割成單獨的分支來實現(xiàn)分層化學(xué)習(xí)，從而最大化每個分割信息的增益效果,。這種分支結(jié)構(gòu)允許回歸樹自然地學(xué)習(xí)非線性關(guān)系,。 隨機(jī)森林（RF）和梯度增強(qiáng)樹（GBM）等集成方法結(jié)合了許多單獨樹的特性。我們不會在這里介紹他們的基本機(jī)制,，但是在實踐中，隨機(jī)森林通常表現(xiàn)地非常好,，而梯度增強(qiáng)樹則很難調(diào)整,，但是后者往往會有更高的性能上限。 優(yōu)點：回歸樹可以學(xué)習(xí)非線性關(guān)系,，并且對異常值相當(dāng)敏銳,。在實踐中，回歸樹也表現(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：無約束的單個樹很容易過擬合，因為它們可以保持分支直到它們記住了所有的訓(xùn)練數(shù)據(jù),。但是,，這個問題可以通過使用集成的方式來緩解。 實現(xiàn)：隨機(jī)森林 - Python / R,，梯度增強(qiáng)樹 - 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)來訓(xùn)練,，因為這些模型需要更多的參數(shù)來實現(xiàn)其更準(zhǔn)確的推測,。 優(yōu)點：深度學(xué)習(xí)是在諸如計算機(jī)視覺和語音識別等領(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)許多類型的問題,，并且它們的隱藏層減少了對特征工程的需要,。 缺點：深度學(xué)習(xí)算法不適合作為通用算法，因為它們需要大量的數(shù)據(jù),。事實上,，對于傳統(tǒng)的機(jī)器學(xué)習(xí)問題，它們的表現(xiàn)通常遜色于決策樹,。另外,，它們需要密集型的計算訓(xùn)練，而且需要更多的專業(yè)知識來做調(diào)試（即設(shè)置架構(gòu)和超參數(shù)）,。 實現(xiàn)：Python/ R 1.4,。特別提及：最近鄰居法 最近鄰居算法是“基于實例的”，這意味著它會保存每個訓(xùn)練觀察的結(jié)果,。然后,，通過搜索最相似的訓(xùn)練觀察值并匯集結(jié)果，來預(yù)測新的觀測值,。 這些算法是內(nèi)存密集型的,，對于高維度數(shù)據(jù)的表現(xiàn)不佳，并且需要有意義的距離函數(shù)來計算相似度,。在實踐中,，訓(xùn)練正則化回歸或決策樹可能會更節(jié)省你的時間。 2.分類 分類是建模和預(yù)測分類變量的監(jiān)督學(xué)習(xí)任務(wù),。例如預(yù)測員工的流失,，垃圾郵件，財務(wù)欺詐或者學(xué)生信件等級,。 如你所見,，許多回歸算法都有分類對應(yīng)。這種算法適用于預(yù)測類（或類概率）而不是實數(shù)類,。 k% S5 P3 w4 w5 @/ b
2.1,。（正則化的）邏輯回歸 邏輯回歸是線性回歸的分類對應(yīng)。它預(yù)測被映射到介于0和1之間的邏輯函數(shù),，這意味著預(yù)測可以被解釋為類概率,。 模型本身仍然是“線性的”，所以當(dāng)你的類是線性可分的（即它們可以被一個單一的決策表面分開）時候,，邏輯回歸算法十分有效,。邏輯回歸也可以通過具有可調(diào)懲罰強(qiáng)度的系數(shù)來實現(xiàn)正則化,。 優(yōu)點：數(shù)據(jù)的輸出有一個很好的概率解釋，算法可以正則化以避免過度擬合,。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：當(dāng)存在多個或非線性的決策邊界時，邏輯回歸往往表現(xiàn)不佳,。它不夠靈活,，無法自然地捕捉到更復(fù)雜的關(guān)系。 實現(xiàn)：Python/ R 2.2,。分類樹（集成） 分類樹是回歸樹的分類對應(yīng)算法,。它們倆被統(tǒng)稱為“決策樹”,，或者被稱為“分類和回歸樹（CART）”,。 優(yōu)點：與回歸樹一樣,，集成分類樹在實踐中的表現(xiàn)也很好,。它們對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),，能夠自然地對非線性決策邊界進(jìn)行建模,。 缺點：不受約束的單個樹容易過度擬合,，但是這可以通過集成方法來緩解,。 實現(xiàn)：隨機(jī)森林 - Python / R,，梯度增強(qiáng)樹 - Python / R 2.3。深度學(xué)習(xí) 延續(xù)其一貫的趨勢,，深度學(xué)習(xí)也很容易適應(yīng)分類問題。實際上,，深度學(xué)習(xí)往往是分類中比較常用的方法,，比如在圖像分類中。 優(yōu)點：在分類音頻,，文本和圖像數(shù)據(jù)時,，深度學(xué)習(xí)表現(xiàn)地非常出色。 缺點：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。 實現(xiàn)：Python的/ R 2.4,。支持向量機(jī) 支持向量機(jī)（SVM）使用稱為核心（kernels）的機(jī)制,，它計算兩個觀察對象之間的距離。隨后支持向量機(jī)算法找到一個決策邊界,，最大化不同類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)類似于邏輯回歸,。因此,，在實踐中,，支持向量機(jī)的好處通常來自于使用非線性的內(nèi)核來建模一種非線性的決策邊界。 優(yōu)點：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,。它們對于過度擬合的控制力也相當(dāng)強(qiáng)大，特別是在高維空間,。 缺點：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,，并且不能很好地擴(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),。 實現(xiàn)：Python/ R 2.5,。樸素貝葉斯 樸素貝葉斯（NB）是一個基于條件概率和計數(shù)的非常簡單的算法。從本質(zhì)上講,，你的模型實際上是一個概率表,，通過你的訓(xùn)練數(shù)據(jù)得到更新。為了預(yù)測一個新的觀察結(jié)果,，您只需根據(jù)其“特征值”,，在“概率表”中查找該類的概率。 它被稱為“樸素的”,，是因為它條件獨立的核心假設(shè)（即所有輸入特征是相互獨立的）,，這在現(xiàn)實世界中很少成立。 優(yōu)點：即使條件獨立性假設(shè)很少成立,，但樸素貝葉斯模型在實踐中表現(xiàn)得非常出色,，特別是它十分簡單。而且很容易實現(xiàn),，并可以和數(shù)據(jù)集同步擴(kuò)展,。 缺點：由于其簡單化的原因，樸素貝葉斯模型經(jīng)常被經(jīng)過適當(dāng)訓(xùn)練的其他模型和之前已經(jīng)列出的算法吊打,。 實現(xiàn)：Python/ R 3.聚類 聚類是一種無監(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)來發(fā)現(xiàn)自然的觀測分組（即聚類）。例子包括客戶細(xì)分,，電子商務(wù)中的類似項目分組以及社交網(wǎng)絡(luò)分析,。 因為聚類是無監(jiān)督的（即沒有“正確答案”），所以通常使用可視化的數(shù)據(jù)來評估結(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）,，那么選擇分類算法通常更合適。 ![]() 3.1。K-Means算法 K-Means算法是一種通用算法,，它根據(jù)點之間的幾何距離（即坐標(biāo)平面上的距離）進(jìn)行聚類,。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,。 對于初學(xué)者來說，這是我們推薦的一種算法,，因為它很簡單,，而且足夠靈活，可以為大多數(shù)問題獲得合理的結(jié)果,。 優(yōu)點：K-Means算法是最流行的聚類算法,，因為如果您想預(yù)處理數(shù)據(jù)或者編譯有用的功能，它是一種快速,，簡單和擁有令人驚訝的靈活性的一種算法,。 缺點：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)中真實的底層聚類不是球狀的，那么K-Means算法將產(chǎn)生錯誤的聚類,。 實現(xiàn)：Python/ R 3.2,。近鄰傳播 近鄰傳播是一種相對較新的聚類技術(shù)，可以根據(jù)點之間的圖距進(jìn)行聚類,。集群傾向于變得更小和具有不均勻的大小,。 優(yōu)點：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：近鄰傳播的主要缺點是速度很慢,，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。 實現(xiàn)：Python/ R 3.3,。分層/凝聚 分層聚類,，又名聚集聚類，是基于相同思想的一套算法：（1）從它自己的聚類中的每個點開始,。（2）對于每個簇,，根據(jù)一些標(biāo)準(zhǔn)將其與另一個簇合并。（3）重復(fù),，直到只剩下一個群集,，并留下一個簇的層次結(jié)構(gòu)。 優(yōu)點：分層聚類的主要優(yōu)點是不會假設(shè)球體是球狀的,。另外,，它可以很好地擴(kuò)展到更大的數(shù)據(jù)集里,。 缺點：就像K-Means算法一樣，用戶必須選擇聚類的數(shù)量（即在算法完成之后要保留的層次級別）,。 實現(xiàn)：Python/ R
|
發(fā)表于 2019-10-1 08:03:50
QQ好友和群
收藏
淘帖
問題專業(yè),，描述清楚
伸手黨/灌水/看不懂
樓主
