监督学习(supervised learning),主要解决两类问题:回归、分类,分别对应着定量输出和定性输出。
什么叫回归(regression)
简单地说,就是由已知数据通过计算得到一个明确的值(value),像y=f(x)就是典型的回归关系。说的很多的线性回归(Linear Regression)就是根据已有的数据返回一个线性模型,大家初高中学了那么久的y=ax+b就是一种线性回归模型。
光说理论意义不大,比如:和小冰聊天的过程,她根据你说的话返回一个字符串(一句话),她返回这句话的过程其实就是一个回归的过程。
什么叫分类(classify)
由已知数据(已标注的)通过计算得到一个类别。比如:现在知道小曹182cm,平均每厘米质量为1kg,通过计算得到重量为182kg,这个过程叫回归。根据计算结果我们得出一个结论,小曹是个胖纸,这个过程就属于分类。
这里要特别注意:监督学习常用的“逻辑回归(Logistic Regression)”属于典型的分类方法,而不是回归。
算法模型
接下来一起了解几个监督学习中主要的算法模型:
K—近邻算法(k-Nearest Neighbor)
决策树(Decision Tree)
朴素贝叶斯(Naive Bayes)
1. 近邻算法
近邻算法听起来很高大上,但其实思想很简单,让我们先来建立一个模型。
K-近邻算法里的K,是人为设定的一个值,图中的K就是3,那么被框住的三个同学就都算小曹的“邻居”。有句老话说得好啊,人以类聚,物以群分,小曹的体重肯定和周围的人差不多,我们就取三个人的平均值110kg作为小曹的体重,不是邻居的同学们就不考虑了。这是近邻算法的回归模型。
好了,如果是近邻算法的分类模型呢?
应该不用我说了吧,小曹的三个邻居都胖,所以小曹也肯定胖。
这就是K-近邻算法的核心思想,由K确定“近邻”的范围,由近邻的数值和属性得出特定未知变量的数值和属性。
当然了,这个模型是简化之后的,在实际处理的时候,数据的分布都是经过了处理,按一定规则在某个特征空间规律分布的(不是我这样乱画的),只有这样“近邻”才有意义。
特别的,当K值过大的是时候会欠拟合(underfitting),K值过小的时候会过拟合(overfitting)。欠拟合和过拟合在后文解释,想深入了解算法可以在文末查看参考资料。
2. 决策树
决策树,就是N个“if”和“then”搭配组成的集合,通过多次决策返回某一特征/类别,以结果的高纯度为目标。决策树只要了解几个名词(熵、信息增益、信息增益率),一个模型(特征选择、生成决策树、剪枝)和三个算法(ID3、C4.5、CART)。
熵的概念大家高中物理课都学过,它的大小代表了一个系统的混乱程度。决策树系统内的熵表示每一条分支结果的纯度,决策树可以说是一个分类的过程,每一类的特征越明显,每一个类别内的数据越相似,熵就越小,纯度就越高。
信息增益(用于ID3)是针对节点设定的,节点就是某个属性的分类器,经过这个节点分类后,决策树的熵越小,说明这个节点的信息增益越大。很好理解,我们选择节点肯定要选择能让系统纯度更高的那个。但是问题来了,按照这个规则选取节点的话,总会偏向数量较多的那部分数据。
所以专家们又提出了信息增益比(用于C4.5),用熵减的比率来判断节点的属性,在一定程度上校正了偏向数量较多的问题。
该说人话了,下面举个栗子来说明一下上述三个名词。
假设我们要通过一个模型来判断一个人是不是RICH。
这就是一个简单的二分决策树模型,二分就是指一个节点(判断的圈圈)只分出两个类别,判断yes or not。
熵就是我们判断出来的结果准不准确,从这个模型来看,熵肯定是很大的,因为有很多因素没有加入进来考虑,比如:他是不是有过去的存款,家庭是不是有遗产等等。如果在某个分类下穷人里混进了很多有钱人,就说明它的熵大。基尼系数用于CART(Classification And Regression Tree),和熵的意义相似。
信息增益简单地说,就是某一个属性的判断,能把多少人分开。比如说:如果设定判断的属性为月可支配收入>3000能让分类到RICH的穷人最少,我们就说它是一个信息增益很大的节点。
原本一个RICH圈圈里有100个穷人,占圈圈里总人数的1%,我们认为分出这个圈圈节点的信息增益很高。这个情况下,使用信息增益和信息增益比的效果,是差不多的。
但如果现在我们不止采用二分法,ID3(用信息增益)算法很可能选择“身份证号”作为判断节点,这样分类出来的每一个小圈圈的熵都将极高(因为一个圈圈只有一个人),但这样的分类是没有意义的(过拟合)。
优化后的C4.5算法(采用信息增益比)就是为了防止这种情况发生,在原来的信息增益基础上除以熵,能够“惩罚”上面发生的情况,让节点的选取更加合理。
到这里我们已经搞清楚了三个名词、两个算法(ID3、C4.5)和一个模型里的两步(特征选择和生成决策树)了。还剩下剪枝和CART算法。
前面的ID3和C4.5都可以对决策树进行多分,但是CART只能进行二分决策树的生成,它可以创建分类树(得到一个类别)和回归树(得到一个值)。
CART算法采用GINI指数来进行特征选择(也就是节点判断属性的确认),GINI指数是度量数据划分的不纯度,是介于0~1之间的数。GINI值越小,表明样本集合的纯净度越高,GINI值越大表明样本集合的类别越杂乱。(和熵相似)
看上面的图,这也可以是CART算法的生成模式。
当我们判断的最终结果不止两个的时候,可能这棵树就会变得很庞大(节点和圈圈都很多),这个时候就需要“剪枝”——去掉多余的节点。
剪枝方法有两种:预剪枝和后剪枝。
预剪枝即在决策树生成前,通过一定规则,避免某些节点的生成;
后剪枝则是在决策树生成之后进行剪枝。
预剪枝的好处就是省事,但是因为事先确定的规则,可能没有考虑到一些特定且重要的情况下的数据,有可能导致欠拟合。
后剪枝能够让决策树拥有更好的拟合度,但是相对耗费的时间也更多,过程更复杂。
再提一下“随机森林(Random Forest)”。我们知道,三个臭皮匠,顶个诸葛亮。有时候一颗决策树不能对数据做出最准确的分类,这个时候我们通过一定的规则生成很多颗决策树,让所有的决策树处理同一组数据,经过处理之后这样往往能得到更精确的结果。人多力量大,不外如是。
3. 朴素贝叶斯
朴素贝叶斯(Naive Bayes)中的“朴素”,表示所有特征变量间相互独立,不会影响彼此。主要思想就是:如果有一个需要分类的数据,它有一些特征,我们看看这些特征最多地出现在哪些类别中,哪个类别相应特征出现得最多,就把它放到哪个类别里。基本原理还是来自贝叶斯定理。
这样看起来感觉这个方法贼简单,其实真的很简单。(虽然看了我不知道多久才看懂)。
比如说:我们要判断一个长得像胶囊(特征1),通体黄色(特征2),穿着背带裤(特征3),有点智障(特征4)的东西属于什么类别,我们经过遍历(把所有类别和类别包含的所有特征看一遍),发现小黄人(某个类别)出现这些特征的频率很高,那我们得出一个结论,他们是小黄人。
但是朴素贝叶斯方法对特征的划分很敏感,比如说:如果我们没有“长得像胶囊”这一项特征,那它就可能是很多东西了…
最后让我们来用两张图解释一下过拟合和欠拟合。
网友评论