熱線電話：13121318867

登錄
首頁精彩閱讀干貨 | 基礎機器學習算法
干貨 | 基礎機器學習算法
2017-03-10
收藏
本篇內容主要是面向機器學習初學者,介紹常見的機器學習算法，當然,歡迎同行交流。

哲學要回答的基本問題是從哪里來、我是誰、到哪里去，尋找答案的過程或許可以借鑒機器學習的套路：組織數據->挖掘知識->預測未來。組織數據即為設計特征，生成滿足特定格式要求的樣本，挖掘知識即建模，而預測未來就是對模型的應用。

特征設計依賴于對業務場景的理解，可分為連續特征、離散特征和組合高階特征。本篇重點是機器學習算法的介紹，可以分為監督學習和無監督學習兩大類。

無監督學習算法很多，最近幾年業界比較關注主題模型，LSA->PLSA->LDA 為主題模型三個發展階段的典型算法，它們主要是建模假設條件上存在差異。LSA假設文檔只有一個主題，PLSA 假設各個主題的概率分布不變（theta 都是固定的），LDA 假設每個文檔和詞的主題概率是可變的。

LDA 算法本質可以借助上帝擲骰子幫助理解，詳細內容可參加 Rickjin 寫的《 LDA 數據八卦》文章，淺顯易懂，順便也科普了很多數學知識，非常推薦。

監督學習可分為分類和回歸，感知器是最簡單的線性分類器，現在實際應用比較少，但它是神經網絡、深度學習的基本單元。


線性函數擬合數據并基于閾值分類時，很容易受噪聲樣本的干擾，影響分類的準確性。邏輯回歸（Logistic Regression）利用 sigmoid 函數將模型輸出約束在 0 到 1 之間，能夠有效弱化噪聲數據的負面影響，被廣泛應用于互聯網廣告點擊率預估。


邏輯回歸模型參數可以通過最大似然求解，首先定義目標函數 L ( theta )，然后 log 處理將目標函數的乘法邏輯轉化為求和邏輯（最大化似然概率 -> 最小化損失函數），最后采用梯度下降求解。

相比于線性分類去，決策樹等非線性分類器具有更強的分類能力，ID3 和 C4.5 是典型的決策樹算法，建模流程基本相似，兩者主要在增益函數（目標函數）的定義不同。


線性回歸和線性分類在表達形式上是類似的，本質區別是分類的目標函數是離散值，而回歸的目標函數是連續值。目標函數的不同導致回歸通?；?a href='/map/zuixiaoercheng/' style='color:#000;font-size:inherit;'>最小二乘定義目標函數，當然，在觀測誤差滿足高斯分布的假設情況下，最小二乘和最大似然可以等價。

當梯度下降求解模型參數時，可以采用 Batch 模式或者 Stochastic 模式，通常而言，Batch 模式準確性更高，Stochastic 模式復雜度更低。


上文已經提到，感知器雖然是最簡單的線性分類器，但是可以視為深度學習的基本單元，模型參數可以由自動編碼（ Auto Encoder ）等方法求解。

深度學習的優勢之一可以理解為特征抽象，從底層特征學習獲得高階特征，描述更為復雜的信息結構。例如，從像素層特征學習抽象出描述紋理結構的邊緣輪廓特征，更進一步學習獲得表征物體局部的更高階特征。


俗話說三個臭皮匠賽過諸葛亮，無論是線性分類還是深度學習，都是單個模型算法單打獨斗，有沒有一種集百家之長的方法，將模型處理數據的精度更進一步提升呢？當然，Model Ensembe l就是解決這個問題。Bagging 為方法之一，對于給定數據處理任務，采用不同模型/參數/特征訓練多組模型參數，最后采用投票或者加權平均的方式輸出最終結果。


Boosting為Model Ensemble 的另外一種方法，其思想為模型每次迭代時通過調整錯誤樣本的損失權重提升對數據樣本整體的處理精度，典型算法包括 AdaBoost 、GBDT 等。


不同的數據任務場景，可以選擇不同的 Model Ensemble 方法，對于深度學習，可以對隱層節點采用 DropOut 的方法實現類似的效果。


介紹了這么多機器學習基礎算法，說一說評價模型優劣的基本準則。欠擬合和過擬合是經常出現的兩種情況，簡單的判定方法是比較訓練誤差和測試誤差的關系，當欠擬合時，可以設計更多特征來提升模型訓練精度，當過擬合時，可以優化特征量降低模型復雜度來提升模型測試精度。

 
特征量是模型復雜度的直觀反映，模型訓練之前設定輸入的特征量是一種方法，另外一種比較常用的方法是在模型訓練過程中，將特征參數的正則約束項引入目標函數/損失函數，基于訓練過程篩選優質特征。


模型調優是一個細致活，最終還是需要能夠對實際場景給出可靠的預測結果，解決實際問題。期待學以致用！


作者 曉惑
本文轉自阿里技術，轉載需授權



CDA數據分析師考試相關入口一覽（建議收藏）：

? 想報名CDA認證考試，點擊>>>   “CDA報名” 了解CDA考試詳情；

? 想學習CDA考試教材，點擊>>> “CDA教材” 了解CDA考試詳情；

? 想加入CDA考試題庫，點擊>>> “CDA題庫” 了解CDA考試詳情；

? 想了解CDA考試含金量，點擊>>> “CDA含金量” 了解CDA考試詳情；

特征 深度學習 機器學習 欠擬合 決策樹 損失函數 無監督學習 無監督

數據分析咨詢請掃描二維碼

若不方便掃碼，搜微信號：CDAshujufenxi

上一篇圖論在大數據分析中的作用！
下一篇CDA認證再升一檔！與國家共同推進大數據人才培養標準教育事業！
數據分析師考試動態
CDA報考指南
數據分析學習
數據分析師資訊
更多

CDA教育閉環

常見問題

關于我們

CDA數據分析師公眾號

  • CDA數據分析師公眾號

CDA考試中心小程序

  • CDA考試中心服務號

CDA數據分析師App下載

  • CDA數據分析師App下載
Copyright © 2015-2021, www.ruiqisteel.com All Rights Reserved. CDA數據分析師(北京國富如荷網絡科技有限公司) 版權所有 京ICP備11001960號-9 京公網安備 11010802034615號 經營許可證編號：京B2-20210330
聯系電話：13321103290 (微信同號)

OK
客服在線
立即咨詢
日韩人妻系列无码专区视频,先锋高清无码,无码免费视欧非,国精产品一区一区三区无码
客服在線
立即咨詢