机器学习的工作：前期的数据预处理，后期的参数选择
归一化范围的选取，降维算法的选取，最佳参数选取的算法
线性回归
拟合出一条直线来最佳匹配所有的数据
最小二乘法：求解一条直线，使所有误差的平方和最小
函数求极值：数学上，求导数为0，计算机不适用，可能求解不出来，也可能计算量太大；机器学习中，梯度下降、牛顿法
逻辑回归
在线性回归的结果上加了一个sigmoid函数，将数值结果转化为了0到1的概率
一般来说，它的分类线都是线性的，当然也可以画出非线性的决策边界，但数据量大时效率低，于是，出现了神经网络和支持向量机，它们可拟合出非线性的分类线
感知机
包含输入层、一个隐含层、输出层，处理线性分类问题，由分离超平面来分类判别。PLA的任务是找到分类函数h(x)，即求出参数w和b，当x的维度为2时，h(x)为直线，当x的维度>2时，h(x)为平面。可以把h(x)理解成一种加权和。
知错就改型，它会对每一个样本都去检验，有错误，就更新W调整h(x)，如何更新呢，如梯度下降的方式去最小化损失函数L，这样找到更新的W
- 几何上理解（钝角，锐角）,Wt+1=Wt+ηYiXi
- 每次更新w，使L(W)最小化，从而修正这条线或平面
感知机学习出来的超平面wx+b并不是唯一的，因为其选择了
- 不同的初值
- 在训练中是随机地选择一个误分类点进行更新w,b
感知机的缺点
感知机是线性的模型，不能表达复杂的函数，不能解决线性不可分的问题，连异或问题都无法解决，那如何解决线性不可分的问题呢
- 用更多的感知机去进行学习，也就是人工神经网络的由来
- 用非线性模型，核技巧，如SVM进行处理。将特征
（线性回归，高次项。。？这种可以吗？）
逻辑回归和感知机算法是比较相似的，在做预测的时候，逻辑回归可以输出一个概率，而感知机就只输出是与否，如果我们把逻辑回归模型中>0.5的情况下认为是“是”，小于等于认为是“否”的话，那么两者就非常相近了
神经网络
学习机理：分解和整合
将原始样本分解成特征，学习后，处理或输出
理解：正方形——>折线——>两条直线
由此，一个复杂图形变成大量细节进入神经元
(A OR B) AND (A NAND B) 的结果 与A XOR B的结果是一样的，所以可以组合多个感知器来表示XOR，每个样本的特征表述都被输入到两个神经元：一个NAND神经元和一个OR神经元。这些神经元的输出将连接到第三个AND神经元上，测试XOR的条件是否为真.
人工神经网络分为两种类型，前馈人工神经网络，反馈人工神经网络（或RNN）
BP算法的详细过程，点此链接http://blog.csdn.net/u013719780/article/details/51755747
SVM
可以说是逻辑回归算法的强化
支持向量：一个点到这个决策边界的最小间隔时的向量
找到一个决策边界，使得数据集中所有点到它的向量产生的 间隔最大
通过和“高斯核”的组合，svm可以表达出非常复杂的分类界线
核：将低维的空间映射到高维的空间
聚类
计算种群中的距离，根据距离的远近将数据划分为多个族群
降维，（代表PCA)
将数据从高维降低到低维层次
如，房价包含房子的长，宽，面积等特征，但长宽与面积重叠了，通过降维便可以去除冗余相关信息
子算法
梯度下降：线性回归、逻辑回归、神经网络、推荐算法
牛顿法：线性回归
BP：神经网络
SMO：SVM
深度学习
多隐层的神经网络具有优异的特征学习能力，学习得到的是对数据有更本质的特征，从而有利于可视化和分类
深度神经网络在训练上的难度，可以通过“逐层初始化”来有效克服
（Geoffrey Hinton在<<science>>上发布的文章）
网友评论