机器学习是一门作预测的方法论和工具。预测，为什么？机器学习和人的学习一样，从经验中学习，在历史发生的数据中抽取出数据中存在的模式，因此机器学习是更接地气的，和学科结合密切的，不同的数据分布适合于不同的算法。所以，机器学习的算法不存在绝对的谁好谁坏，我们只能得到在当前数据集上比较好的算法，比较好的是什么意思？就是泛化能力相对较好的算法，即，用算法去预测未知数据的能力。当然这也是没办法直接去预测的，我如果知道了哪个算法泛化能力好，不是就说明我有预知能力嘛？事实上，我们是将经验数据分成了两部分，一部分用来训练学习算法，也就是用来发现数据的规律，另一部分是用来检验学习效果的。好，既然我们可以用来检验效果，那么这部分数据就一定是有答案的，我们用预测的结果和实际的结果比较，判断哪个算法学习到的知识准确，也就是测试误差小。用测试误差来近似泛化能力。好，那么分割训练集、测试集也是个麻烦事。本来我们用来学习的样本就不多，你还要拿一部分出来，那我在整个数据上学习的效果肯定和在子集上学习的效果有差距，如何尽量去避免这种问题呢。当前分割的方法主要有三种，第一：留一法，把数据分为两个子集，且没有交集，当然要保证采样的时候尽量不破坏数据本身的分布。什么意思呢，假如我要学习的模型是分类妹子和汉子（1表示妹子，0表示汉子）数据集的标记y有70个样本是1，30个是0。我们采样时候，把前70个都放到训练集去了，那肯定会出事呀，给的数据都是妹子的描述，学习器就认为所有的人都是妹子，在测试集一跑，哎呦妈呀，都预测错了，还不如随机猜测呢，起码有一半的正确率。那这个学习器出什么问题了，首先是样本没选好，在训练集中要差不多选70*0.7=49个妹子，21个汉子的样本，这样才能学到两者的内在模式，其次，学习器过拟合了，也就是说学习太好了，把训练集带的偏差也学到了，而这些偏差在其他样本中是没有的。那么这样的学习器泛化能力也不好。那学习器就郁闷了，你又要我学习的好，又要我不能学的太好，把随机噪声也学到。这又是一个折中，真的不好衡量。那我们咋解决呢，我们就看学习器在测试集上的表现。我们期望的是这样的学习器：在训练数据上误差很小，在测试集上误差也要接近训练误差，不能相差太远。闲话稍后在扯，继续数据集分割的讨论。第二种分割方法，k-折交叉验证，首先把样本几乎均匀的分成k份，编号依次是1,2,3...k我们依次的拿出一份做测试集，其余的k-1份数据做训练集，训练k个学习器，然后从里面选一个最好的，这种方法的优点是效果比上面说的留出法好，缺点嘛，训练了这么多学习器，成本也是蛮高的。所以，no free lunch，出来混，总是要还的，这就像算法里永恒的主题：空间和时间的协调。具体的折中策略，要根据场景去考虑，具体问题具体分析。第三种，booststraping。这种采样也是挺有趣的，有放回的采样，可是可是，统计里面的有放回是样本很多的情况，我们取很少几个。在机器学习里面，我们有m个样本，但是要采样的个数也是m,那这就会存在一些样本反复被抽中，一些样本从来没有被抽中，那这样的方法靠谱嘛？我的心也微微一颤，我们先来统计分析下，一共采样了m个，每个样本在每次采样中被抽中的概率都是1/m,那么没抽中的机会就是1-1/m,如果在m次采样都没被选中，概率是(1-1/m)^m，当m接近无穷大，上面的值大约是33.3%,大概1/3，还是挺多的哦，如果只做一次学习，如果样本比较多，不建议用这种方法。这种方法将在随机森林算法里大放异彩，这个概率也是很有用的，先立个flag。
然后机器学习和人学习一样嘛。机器学习算法有一大类问题是监督学习，也就是给的数据是带学习结果的，那好嘛，我先学，然后去和答案比较，差距太大，我就继续去学习呗。我学呀学，靠，不知道过了多久，我觉得学的效果挺好了，和答案相差不多了。那我总得评估我的效果吧，打个分吧。可是要怎么打分，头疼，这还不是得我们人来考虑。打分得前提首先得定个标准吧，就是得给个学习的具体目标吧，我一点点去靠近她，先放弃全局最优解，然后才能去接近最优。好，我们想，监督学习有两种，分类和回归。分类今天先不表。今天简单说下回归。回归就是给了一堆的特征，然后让你去预测一个数值，那么我们的优化目标可sigma|y-f(x)|嘛，去最小化这个,在高中就学过，如果一个大于目标a,一个小于目标a,两个就抵消了，但是，他们都是误差有偏差的，所以这个不靠谱，那么我们就平方吧，这个好，这个准则也确实挺管用，还有个专业名（mse）,事实上，这个准则可以通过假定误差（y-f(x)）服从高斯分布得到，而我们知道，高斯分布假设是合理的。于是我们的第一个模型，线性回归就呼之欲出了，线性是说特征的参数theta是线性的，不存在交叉项，特征之间是可以交叉的，在优化函数里加上l1范式，就得到了LASSO回归，l1范式可以保持特征的稀疏性，因此可以用于特征的选择，在优化目标里加上l2范数，就得到了Ridge回归，如果是l1,l2的组合，就叫做弹性网。好，继续，如果我们假定误差之间不是均等的，也就是考虑不同的误差给不同的权重，就得到了局部加权回归，权重可以采用rbf，又是高斯核。再次膜拜大神。如果是另一种假设，预测值和实际的差别在€之间，我们认为不存在误差，也就是只有在这两条隔离带之外的才计入损伤。那么，我们就得到了svr支持向量回归。哇，一下好多算法，蒙了。我们来整理下。
总结：回归有以下几种算法，基本的线性回归、lasso、ridge、弹性网、局部加权回归、svr,局部加权可以用先验知识。这六种算法。
网友评论