前言：
找工作時(shí)（IT行業(yè)）踢星，除了常見的軟件開發(fā)以外统刮，機(jī)器學(xué)習(xí)崗位也可以當(dāng)作是一個(gè)選擇，不少計(jì)算機(jī)方向的研究生都會(huì)接觸這個(gè)污抬，如果你的研究方向是機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘之類汞贸，且又對(duì)其非常感興趣的話，可以考慮考慮該崗位印机，畢竟在機(jī)器智能沒達(dá)到人類水平之前矢腻，機(jī)器學(xué)習(xí)可以作為一種重要手段，而隨著科技的不斷發(fā)展射赛，相信這方面的人才需求也會(huì)越來越大多柑。
縱觀IT行業(yè)的招聘崗位，機(jī)器學(xué)習(xí)之類的崗位還是挺少的楣责，國內(nèi)大點(diǎn)的公司里百度竣灌，阿里聂沙，騰訊，網(wǎng)易初嘹，搜狐及汉，華為（華為的崗位基本都是隨機(jī)分配，機(jī)器學(xué)習(xí)等崗位基本面向的是博士）等會(huì)有相關(guān)職位屯烦，另外一些國內(nèi)的中小型企業(yè)和外企也會(huì)招一小部分坷随。當(dāng)然了，其中大部分還是百度北京要人最多驻龟，上百人温眉。阿里的算法崗位很大一部分也是搞機(jī)器學(xué)習(xí)相關(guān)的。另外本人有幸簽約了網(wǎng)易杭州研究院的深度學(xué)習(xí)算法崗位翁狐，打算從事機(jī)器學(xué)習(xí)領(lǐng)域至少5年类溢。非常感謝小易收留了我！
下面是本人在找機(jī)器學(xué)習(xí)崗位工作時(shí)露懒，總結(jié)的常見機(jī)器學(xué)習(xí)算法（主要是一些常規(guī)分類器）大概流程和主要思想豌骏，希望對(duì)大家找機(jī)器學(xué)習(xí)崗位時(shí)有點(diǎn)幫助。實(shí)際上在面試過程中隐锭，懂這些算法的基本思想和大概流程是遠(yuǎn)遠(yuǎn)不夠的窃躲，那些面試官往往問的都是一些公司內(nèi)部業(yè)務(wù)中的課題，往往要求你不僅要懂得這些算法的理論過程钦睡，而且要非常熟悉怎樣使用它蒂窒，什么場合用它，算法的優(yōu)缺點(diǎn)荞怒，以及調(diào)參經(jīng)驗(yàn)等等洒琢。說白了，就是既要會(huì)點(diǎn)理論褐桌，也要會(huì)點(diǎn)應(yīng)用衰抑，既要有點(diǎn)深度，也要有點(diǎn)廣度荧嵌，否則運(yùn)氣不好的話很容易就被刷掉呛踊，因?yàn)槊總€(gè)面試官愛好不同。
樸素貝葉斯：
有以下幾個(gè)地方需要注意：
1. 如果給出的特征向量長度可能不同啦撮，這是需要?dú)w一化為通長度的向量（這里以文本分類為例）谭网，比如說是句子單詞的話，則長度為整個(gè)詞匯量的長度赃春，對(duì)應(yīng)位置是該單詞出現(xiàn)的次數(shù)愉择。
2. 計(jì)算公式如下：
衷戈，因此一般有兩種，一種是在類別為ci的那些樣本集中层坠，找到wj出現(xiàn)次數(shù)的總和殖妇，然后除以該樣本的總和；第二種方法是類別為ci的那些樣本集中窿春，找到wj出現(xiàn)次數(shù)的總和，然后除以該樣本中所有特征出現(xiàn)次數(shù)的總和采盒。
3. 如果
中的某一項(xiàng)為0旧乞，則其聯(lián)合概率的乘積也可能為0，即2中公式的分子為0磅氨，為了避免這種現(xiàn)象出現(xiàn)尺栖，一般情況下會(huì)將這一項(xiàng)初始化為1，當(dāng)然為了保證概率相等烦租，分母應(yīng)對(duì)應(yīng)初始化為2（這里因?yàn)槭?類延赌，所以加2，如果是k類就需要加k叉橱，術(shù)語上叫做laplace光滑, 分母加k的原因是使之滿足全概率公式）挫以。
樸素貝葉斯的優(yōu)點(diǎn)：
對(duì)小規(guī)模的數(shù)據(jù)表現(xiàn)很好，適合多分類任務(wù)窃祝，適合增量式訓(xùn)練掐松。
缺點(diǎn)：
對(duì)輸入數(shù)據(jù)的表達(dá)形式很敏感。
決策樹：
決策樹中很重要的一點(diǎn)就是選擇一個(gè)屬性進(jìn)行分枝粪小，因此要注意一下信息增益的計(jì)算公式大磺，并深入理解它。
信息熵的計(jì)算公式如下:
其中的n代表有n個(gè)分類類別（比如假設(shè)是2類問題探膊，那么n=2）杠愧。分別計(jì)算這2類樣本在總樣本中出現(xiàn)的概率p1和p2，這樣就可以計(jì)算出未選中屬性分枝前的信息熵逞壁。
現(xiàn)在選中一個(gè)屬性xi用來進(jìn)行分枝流济，此時(shí)分枝規(guī)則是：如果xi=vx的話，將樣本分到樹的一個(gè)分支腌闯；如果不相等則進(jìn)入另一個(gè)分支袭灯。很顯然，分支中的樣本很有可能包括2個(gè)類別绑嘹，分別計(jì)算這2個(gè)分支的熵H1和H2,計(jì)算出分枝后的總信息熵H’=p1H1+p2H2.稽荧，則此時(shí)的信息增益ΔH=H-H’。以信息增益為原則，把所有的屬性都測試一邊姨丈，選擇一個(gè)使增益最大的屬性作為本次分枝屬性畅卓。
決策樹的優(yōu)點(diǎn)：
計(jì)算量簡單，可解釋性強(qiáng)蟋恬，比較適合處理有缺失屬性值的樣本翁潘，能夠處理不相關(guān)的特征；
缺點(diǎn)：
容易過擬合（后續(xù)出現(xiàn)了隨機(jī)森林歼争，減小了過擬合現(xiàn)象）拜马；
Logistic回歸：
Logistic是用來分類的，是一種線性分類器沐绒，需要注意的地方有：
1. logistic函數(shù)表達(dá)式為：
其導(dǎo)數(shù)形式為：
2. logsitc回歸方法主要是用最大似然估計(jì)來學(xué)習(xí)的俩莽，所以單個(gè)樣本的后驗(yàn)概率為：
到整個(gè)樣本的后驗(yàn)概率：
其中：
通過對(duì)數(shù)進(jìn)一步化簡為：
3. 其實(shí)它的loss function為-l(θ)，因此我們需使loss function最小乔遮，可采用梯度下降法得到扮超。梯度下降法公式為:
Logistic回歸優(yōu)點(diǎn)：
1、實(shí)現(xiàn)簡單蹋肮；
2出刷、分類時(shí)計(jì)算量非常小，速度很快坯辩，存儲(chǔ)資源低馁龟；
缺點(diǎn)：
1、容易欠擬合漆魔，一般準(zhǔn)確度不太高
2屁柏、只能處理兩分類問題（在此基礎(chǔ)上衍生出來的softmax可以用于多分類），且必須線性可分有送；
線性回歸：
線性回歸才是真正用于回歸的淌喻，而不像logistic回歸是用于分類，其基本思想是用梯度下降法對(duì)最小二乘法形式的誤差函數(shù)進(jìn)行優(yōu)化雀摘，當(dāng)然也可以用normal equation直接求得參數(shù)的解裸删，結(jié)果為：
而在LWLR（局部加權(quán)線性回歸）中，參數(shù)的計(jì)算表達(dá)式為:
因?yàn)榇藭r(shí)優(yōu)化的是：
由此可見LWLR與LR不同阵赠，LWLR是一個(gè)非參數(shù)模型涯塔，因?yàn)槊看芜M(jìn)行回歸計(jì)算都要遍歷訓(xùn)練樣本至少一次。
線性回歸優(yōu)點(diǎn)：
實(shí)現(xiàn)簡單清蚀，計(jì)算簡單匕荸；
缺點(diǎn)：
不能擬合非線性數(shù)據(jù)；
KNN****算法：
KNN即最近鄰算法枷邪，其主要過程為：
1. 計(jì)算訓(xùn)練樣本和測試樣本中每個(gè)樣本點(diǎn)的距離（常見的距離度量有歐式距離榛搔，馬氏距離等）；
2. 對(duì)上面所有的距離值進(jìn)行排序；
3. 選前k個(gè)最小距離的樣本践惑；
4. 根據(jù)這k個(gè)樣本的標(biāo)簽進(jìn)行投票腹泌，得到最后的分類類別；
如何選擇一個(gè)最佳的K值尔觉，這取決于數(shù)據(jù)凉袱。一般情況下，在分類時(shí)較大的K值能夠減小噪聲的影響侦铜。但會(huì)使類別之間的界限變得模糊专甩。一個(gè)較好的K值可通過各種啟發(fā)式技術(shù)來獲取，比如钉稍，交叉驗(yàn)證涤躲。另外噪聲和非相關(guān)性特征向量的存在會(huì)使K近鄰算法的準(zhǔn)確性減小。
近鄰算法具有較強(qiáng)的一致性結(jié)果嫁盲。隨著數(shù)據(jù)趨于無限篓叶，算法保證錯(cuò)誤率不會(huì)超過貝葉斯算法錯(cuò)誤率的兩倍烈掠。對(duì)于一些好的K值羞秤，K近鄰保證錯(cuò)誤率不會(huì)超過貝葉斯理論誤差率。
注：馬氏距離一定要先給出樣本集的統(tǒng)計(jì)性質(zhì)左敌，比如均值向量瘾蛋，協(xié)方差矩陣等。關(guān)于馬氏距離的介紹如下：
KNN算法的優(yōu)點(diǎn)：
1. 思想簡單矫限，理論成熟哺哼，既可以用來做分類也可以用來做回歸；
2. 可用于非線性分類叼风；
3. 訓(xùn)練時(shí)間復(fù)雜度為O(n)取董；
4. 準(zhǔn)確度高，對(duì)數(shù)據(jù)沒有假設(shè)无宿，對(duì)outlier不敏感茵汰；
缺點(diǎn)：
1. 計(jì)算量大琳拭；
2. 樣本不平衡問題（即有些類別的樣本數(shù)量很多梧田，而其它樣本的數(shù)量很少）；
3. 需要大量的內(nèi)存翔怎；
SVM****：
要學(xué)會(huì)如何使用libsvm以及一些參數(shù)的調(diào)節(jié)經(jīng)驗(yàn)彬碱，另外需要理清楚svm算法的一些思路：
1. svm中的最優(yōu)分類面是對(duì)所有樣本的幾何裕量最大（為什么要選擇最大間隔分類器豆胸，請(qǐng)從數(shù)學(xué)角度上說明？網(wǎng)易深度學(xué)習(xí)崗位面試過程中有被問到巷疼。答案就是幾何間隔與樣本的誤分次數(shù)間存在關(guān)系：
晚胡，其中的分母就是樣本到分類間隔距離，分子中的R是所有樣本中的最長向量值），即：
經(jīng)過一系列推導(dǎo)可得為優(yōu)化下面原始目標(biāo)：
2. 下面來看看拉格朗日理論：
可以將1中的優(yōu)化目標(biāo)轉(zhuǎn)換為拉格朗日的形式（通過各種對(duì)偶優(yōu)化搬泥，KKD條件）桑寨，最后目標(biāo)函數(shù)為：
我們只需要最小化上述目標(biāo)函數(shù)，其中的α為原始優(yōu)化問題中的不等式約束拉格朗日系數(shù)忿檩。
3. 對(duì)2中最后的式子分別w和b求導(dǎo)可得：
由上面第1式子可以知道尉尾，如果我們優(yōu)化出了α，則直接可以求出w了燥透，即模型的參數(shù)搞定沙咏。而上面第2個(gè)式子可以作為后續(xù)優(yōu)化的一個(gè)約束條件。
4. 對(duì)2中最后一個(gè)目標(biāo)函數(shù)用對(duì)偶優(yōu)化理論可以轉(zhuǎn)換為優(yōu)化下面的目標(biāo)函數(shù)：
而這個(gè)函數(shù)可以用常用的優(yōu)化方法求得α班套，進(jìn)而求得w和b肢藐。
5. 按照道理，svm簡單理論應(yīng)該到此結(jié)束吱韭。不過還是要補(bǔ)充一點(diǎn)吆豹，即在預(yù)測時(shí)有：
那個(gè)尖括號(hào)我們可以用核函數(shù)代替，這也是svm經(jīng)常和核函數(shù)扯在一起的原因理盆。
6. 最后是關(guān)于松弛變量的引入痘煤，因此原始的目標(biāo)優(yōu)化公式為：
此時(shí)對(duì)應(yīng)的對(duì)偶優(yōu)化公式為：
與前面的相比只是α多了個(gè)上界。
SVM算法優(yōu)點(diǎn)：
可用于線性/非線性分類猿规，也可以用于回歸衷快；
低泛化誤差；
容易解釋姨俩；
計(jì)算復(fù)雜度較低蘸拔；
缺點(diǎn)：
對(duì)參數(shù)和核函數(shù)的選擇比較敏感；
原始的SVM只比較擅長處理二分類問題环葵；
Boosting****：
主要以Adaboost為例调窍，首先來看看Adaboost的流程圖，如下：
從圖中可以看到张遭，在訓(xùn)練過程中我們需要訓(xùn)練出多個(gè)弱分類器（圖中為3個(gè)）邓萨，每個(gè)弱分類器是由不同權(quán)重的樣本（圖中為5個(gè)訓(xùn)練樣本）訓(xùn)練得到（其中第一個(gè)弱分類器對(duì)應(yīng)輸入樣本的權(quán)值是一樣的），而每個(gè)弱分類器對(duì)最終分類結(jié)果的作用也不同帝璧，是通過加權(quán)平均輸出的先誉，權(quán)值見上圖中三角形里面的數(shù)值。那么這些弱分類器和其對(duì)應(yīng)的權(quán)值是怎樣訓(xùn)練出來的呢的烁？
下面通過一個(gè)例子來簡單說明褐耳。
書中（machine learning in action）假設(shè)的是5個(gè)訓(xùn)練樣本，每個(gè)訓(xùn)練樣本的維度為2渴庆，在訓(xùn)練第一個(gè)分類器時(shí)5個(gè)樣本的權(quán)重各為0.2. 注意這里樣本的權(quán)值和最終訓(xùn)練的弱分類器組對(duì)應(yīng)的權(quán)值α是不同的铃芦，樣本的權(quán)重只在訓(xùn)練過程中用到雅镊，而α在訓(xùn)練過程和測試過程都有用到。
現(xiàn)在假設(shè)弱分類器是帶一個(gè)節(jié)點(diǎn)的簡單決策樹刃滓，該決策樹會(huì)選擇2個(gè)屬性（假設(shè)只有2個(gè)屬性）的一個(gè)仁烹，然后計(jì)算出這個(gè)屬性中的最佳值用來分類。
Adaboost的簡單版本訓(xùn)練過程如下：
1. 訓(xùn)練第一個(gè)分類器咧虎，樣本的權(quán)值D為相同的均值卓缰。通過一個(gè)弱分類器，得到這5個(gè)樣本（請(qǐng)對(duì)應(yīng)書中的例子來看砰诵，依舊是machine learning in action）的分類預(yù)測標(biāo)簽征唬。與給出的樣本真實(shí)標(biāo)簽對(duì)比，就可能出現(xiàn)誤差(即錯(cuò)誤)茁彭。如果某個(gè)樣本預(yù)測錯(cuò)誤总寒，則它對(duì)應(yīng)的錯(cuò)誤值為該樣本的權(quán)重，如果分類正確理肺，則錯(cuò)誤值為0. 最后累加5個(gè)樣本的錯(cuò)誤率之和摄闸，記為ε。
2. 通過ε來計(jì)算該弱分類器的權(quán)重α妹萨，公式如下：
3. 通過α來計(jì)算訓(xùn)練下一個(gè)弱分類器樣本的權(quán)重D年枕，如果對(duì)應(yīng)樣本分類正確，則減小該樣本的權(quán)重眠副，公式為：
如果樣本分類錯(cuò)誤画切，則增加該樣本的權(quán)重竣稽，公式為：
4. 循環(huán)步驟1,2,3來繼續(xù)訓(xùn)練多個(gè)分類器囱怕，只是其D值不同而已。
測試過程如下：
輸入一個(gè)樣本到訓(xùn)練好的每個(gè)弱分類中毫别，則每個(gè)弱分類都對(duì)應(yīng)一個(gè)輸出標(biāo)簽娃弓，然后該標(biāo)簽乘以對(duì)應(yīng)的α，最后求和得到值的符號(hào)即為預(yù)測標(biāo)簽值岛宦。
Boosting算法的優(yōu)點(diǎn)：
低泛化誤差台丛；
容易實(shí)現(xiàn)，分類準(zhǔn)確率較高砾肺，沒有太多參數(shù)可以調(diào)挽霉；
缺點(diǎn)：
對(duì)outlier比較敏感；
聚類：
根據(jù)聚類思想劃分：
1. 基于劃分的聚類:
K-means, k-medoids(每一個(gè)類別中找一個(gè)樣本點(diǎn)來代表),CLARANS.
k-means是使下面的表達(dá)式值最斜渫簟：
*** k-means算法的優(yōu)點(diǎn)：***
（1）k-means算法是解決聚類問題的一種經(jīng)典算法侠坎，算法簡單、快速裙盾。
（2）對(duì)處理大數(shù)據(jù)集实胸，該算法是相對(duì)可伸縮的和高效率的他嫡，因?yàn)樗膹?fù)雜度大約是O(nkt)，其中n是所有對(duì)象的數(shù)目庐完，k是簇的數(shù)目,t是迭代的次數(shù)钢属。通常k<<n。這個(gè)算法通常局部收斂门躯。
（3）算法嘗試找出使平方誤差函數(shù)值最小的k個(gè)劃分淆党。當(dāng)簇是密集的、球狀或團(tuán)狀的讶凉，且簇與簇之間區(qū)別明顯時(shí)宁否，聚類效果較好。
缺點(diǎn)：
（1）k-平均方法只有在簇的平均值被定義的情況下才能使用缀遍，且對(duì)有些分類屬性的數(shù)據(jù)不適合慕匠。
（2）要求用戶必須事先給出要生成的簇的數(shù)目k。
（3）對(duì)初值敏感域醇，對(duì)于不同的初始值台谊，可能會(huì)導(dǎo)致不同的聚類結(jié)果。
（4）不適合于發(fā)現(xiàn)非凸面形狀的簇譬挚，或者大小差別很大的簇锅铅。
（5）對(duì)于"噪聲"和孤立點(diǎn)數(shù)據(jù)敏感，少量的該類數(shù)據(jù)能夠?qū)ζ骄诞a(chǎn)生極大影響减宣。
2. 基于層次的聚類：
自底向上的凝聚方法盐须，比如AGNES。
自上向下的分裂方法漆腌，比如DIANA贼邓。
3. 基于密度的聚類：
DBSACN,OPTICS,BIRCH(CF-Tree),CURE.
4. 基于網(wǎng)格的方法：
STING, WaveCluster.
5. 基于模型的聚類：
EM,SOM,COBWEB.
以上這些算法的簡介可參考聚類（百度百科）。
推薦系統(tǒng)：
推薦系統(tǒng)的實(shí)現(xiàn)主要分為兩個(gè)方面：基于內(nèi)容的實(shí)現(xiàn)和協(xié)同濾波的實(shí)現(xiàn)闷尿。
基于內(nèi)容的實(shí)現(xiàn)：
不同人對(duì)不同電影的評(píng)分這個(gè)例子塑径，可以看做是一個(gè)普通的回歸問題，因此每部電影都需要提前提取出一個(gè)特征向量(即x值)填具，然后針對(duì)每個(gè)用戶建模统舀，即每個(gè)用戶打的分值作為y值，利用這些已有的分值y和電影特征值x就可以訓(xùn)練回歸模型了(最常見的就是線性回歸)劳景。這樣就可以預(yù)測那些用戶沒有評(píng)分的電影的分?jǐn)?shù)誉简。（值得注意的是需對(duì)每個(gè)用戶都建立他自己的回歸模型）
從另一個(gè)角度來看，也可以是先給定每個(gè)用戶對(duì)某種電影的喜好程度（即權(quán)值）盟广，然后學(xué)出每部電影的特征闷串，最后采用回歸來預(yù)測那些沒有被評(píng)分的電影。
當(dāng)然還可以是同時(shí)優(yōu)化得到每個(gè)用戶對(duì)不同類型電影的熱愛程度以及每部電影的特征衡蚂。具體可以參考Ng在coursera上的ml教程：https://www.coursera.org/course/ml
基于協(xié)同濾波的實(shí)現(xiàn)：
協(xié)同濾波（CF）可以看做是一個(gè)分類問題窿克，也可以看做是矩陣分解問題骏庸。協(xié)同濾波主要是基于每個(gè)人自己的喜好都類似這一特征，它不依賴于個(gè)人的基本信息年叮。比如剛剛那個(gè)電影評(píng)分的例子中具被，預(yù)測那些沒有被評(píng)分的電影的分?jǐn)?shù)只依賴于已經(jīng)打分的那些分?jǐn)?shù)，并不需要去學(xué)習(xí)那些電影的特征只损。
SVD將矩陣分解為三個(gè)矩陣的乘積一姿，公式如下所示：
中間的矩陣sigma為對(duì)角矩陣，對(duì)角元素的值為Data矩陣的奇異值(注意奇異值和特征值是不同的)跃惫，且已經(jīng)從大到小排列好了叮叹。即使去掉特征值小的那些特征，依然可以很好的重構(gòu)出原始矩陣爆存。如下圖所示：
其中更深的顏色代表去掉小特征值重構(gòu)時(shí)的三個(gè)矩陣蛉顽。
果m代表商品的個(gè)數(shù)，n代表用戶的個(gè)數(shù)先较，則U矩陣的每一行代表商品的屬性携冤，現(xiàn)在通過降維U矩陣（取深色部分）后，每一個(gè)商品的屬性可以用更低的維度表示（假設(shè)為k維）闲勺。這樣當(dāng)新來一個(gè)用戶的商品推薦向量X曾棕，則可以根據(jù)公式X'U1inv(S1)得到一個(gè)k維的向量，然后在V’中尋找最相似的那一個(gè)用戶（相似度測量可用余弦公式等）菜循，根據(jù)這個(gè)用戶的評(píng)分來推薦（主要是推薦新用戶未打分的那些商品）翘地。具體例子可以參考網(wǎng)頁：SVD在推薦系統(tǒng)中的應(yīng)用。
另外關(guān)于SVD分解后每個(gè)矩陣的實(shí)際含義可以參考google吳軍的《數(shù)學(xué)之美》一書（不過個(gè)人感覺吳軍解釋UV兩個(gè)矩陣時(shí)好像弄反了癌幕，不知道大家怎樣認(rèn)為）衙耕。或者參考machine learning in action其中的svd章節(jié)序芦。
pLSA:
pLSA由LSA發(fā)展過來臭杰，而早期LSA的實(shí)現(xiàn)主要是通過SVD分解粤咪。pLSA的模型圖如下：
公式中的意義如下：
具體可以參考2010龍星計(jì)劃：機(jī)器學(xué)習(xí)中對(duì)應(yīng)的主題模型那一講
LDA****：
主題模型谚中，概率圖如下：
和pLSA不同的是LDA中假設(shè)了很多先驗(yàn)分布，且一般參數(shù)的先驗(yàn)分布都假設(shè)為Dirichlet分布寥枝，其原因是共軛分布時(shí)先驗(yàn)概率和后驗(yàn)概率的形式相同宪塔。
GDBT****：
GBDT(Gradient Boosting Decision Tree) 又叫 MART（Multiple Additive Regression Tree)，好像在阿里內(nèi)部用得比較多（所以阿里算法崗位面試時(shí)可能會(huì)問到）囊拜，它是一種迭代的決策樹算法某筐，該算法由多棵決策樹組成，所有樹的輸出結(jié)果累加起來就是最終答案冠跷。它在被提出之初就和SVM一起被認(rèn)為是泛化能力（generalization)較強(qiáng)的算法南誊。近些年更因?yàn)楸挥糜谒阉髋判虻臋C(jī)器學(xué)習(xí)模型而引起大家關(guān)注身诺。
GBDT是回歸樹，不是分類樹抄囚。其核心就在于霉赡，每一棵樹是從之前所有樹的殘差中來學(xué)習(xí)的。為了防止過擬合幔托，和Adaboosting一樣穴亏，也加入了boosting這一項(xiàng)。
關(guān)于GDBT的介紹可以可以參考：GBDT（MART） 迭代決策樹入門教程 | 簡介重挑。
Regularization:
作用是（網(wǎng)易電話面試時(shí)有問到）：
1. 數(shù)值上更容易求解嗓化；
2. 特征數(shù)目太大時(shí)更穩(wěn)定；
3. 控制模型的復(fù)雜度谬哀，光滑性刺覆。復(fù)雜性越小且越光滑的目標(biāo)函數(shù)泛化能力越強(qiáng)。而加入規(guī)則項(xiàng)能使目標(biāo)函數(shù)復(fù)雜度減小史煎，且更光滑隅津。
4. 減小參數(shù)空間；參數(shù)空間越小劲室，復(fù)雜度越低伦仍。
5. 系數(shù)越小，模型越簡單很洋，而模型越簡單則泛化能力越強(qiáng)（Ng宏觀上給出的解釋）充蓝。
6. 可以看成是權(quán)值的高斯先驗(yàn)。
異常檢測：
可以估計(jì)樣本的密度函數(shù)喉磁，對(duì)于新樣本直接計(jì)算其密度谓苟，如果密度值小于某一閾值，則表示該樣本異常协怒。而密度函數(shù)一般采用多維的高斯分布涝焙。如果樣本有n維，則每一維的特征都可以看作是符合高斯分布的孕暇，即使這些特征可視化出來不太符合高斯分布仑撞，也可以對(duì)該特征進(jìn)行數(shù)學(xué)轉(zhuǎn)換讓其看起來像高斯分布，比如說x=log(x+c), x=x^(1/c)等妖滔。異常檢測的算法流程如下：
其中的ε也是通過交叉驗(yàn)證得到的隧哮，也就是說在進(jìn)行異常檢測時(shí)，前面的p(x)的學(xué)習(xí)是用的無監(jiān)督座舍，后面的參數(shù)ε學(xué)習(xí)是用的有監(jiān)督沮翔。那么為什么不全部使用普通有監(jiān)督的方法來學(xué)習(xí)呢（即把它看做是一個(gè)普通的二分類問題）？主要是因?yàn)樵诋惓z測中曲秉，異常的樣本數(shù)量非常少而正常樣本數(shù)量非常多采蚀，因此不足以學(xué)習(xí)到好的異常行為模型的參數(shù)疲牵，因?yàn)楹竺嫘聛淼漠惓颖究赡芡耆桥c訓(xùn)練樣本中的模式不同。
另外榆鼠，上面是將特征的每一維看成是相互獨(dú)立的高斯分布瑰步，其實(shí)這樣的近似并不是最好的，但是它的計(jì)算量較小璧眠，因此也常被使用缩焦。更好的方法應(yīng)該是將特征擬合成多維高斯分布，這時(shí)有特征之間的相關(guān)性责静，但隨之計(jì)算量會(huì)變復(fù)雜袁滥，且樣本的協(xié)方差矩陣還可能出現(xiàn)不可逆的情況（主要在樣本數(shù)比特征數(shù)小，或者樣本特征維數(shù)之間有線性關(guān)系時(shí)）灾螃。
上面的內(nèi)容可以參考Ng的https://www.coursera.org/course/ml
EM****算法：
有時(shí)候因?yàn)闃颖镜漠a(chǎn)生和隱含變量有關(guān)（隱含變量是不能觀察的）题翻，而求模型的參數(shù)時(shí)一般采用最大似然估計(jì)，由于含有了隱含變量腰鬼，所以對(duì)似然函數(shù)參數(shù)求導(dǎo)是求不出來的嵌赠，這時(shí)可以采用EM算法來求模型的參數(shù)的（對(duì)應(yīng)模型參數(shù)個(gè)數(shù)可能有多個(gè)），EM算法一般分為2步：
E步：選取一組參數(shù)熄赡，求出在該參數(shù)下隱含變量的條件概率值姜挺；
M步：結(jié)合E步求出的隱含變量條件概率，求出似然函數(shù)下界函數(shù)（本質(zhì)上是某個(gè)期望函數(shù)）的最大值彼硫。
重復(fù)上面2步直至收斂炊豪。
公式如下所示：
M步公式中下界函數(shù)的推導(dǎo)過程：
EM算法一個(gè)常見的例子就是GMM模型，每個(gè)樣本都有可能由k個(gè)高斯產(chǎn)生拧篮，只不過由每個(gè)高斯產(chǎn)生的概率不同而已词渤，因此每個(gè)樣本都有對(duì)應(yīng)的高斯分布（k個(gè)中的某一個(gè)），此時(shí)的隱含變量就是每個(gè)樣本對(duì)應(yīng)的某個(gè)高斯分布串绩。
GMM的E步公式如下（計(jì)算每個(gè)樣本對(duì)應(yīng)每個(gè)高斯的概率）：
更具體的計(jì)算公式為：
M步公式如下（計(jì)算每個(gè)高斯的比重缺虐，均值，方差這3個(gè)參數(shù)）：
關(guān)于EM算法可以參考Ng的cs229課程資料 或者網(wǎng)易公開課：斯坦福大學(xué)公開課 ：機(jī)器學(xué)習(xí)課程礁凡。
Apriori:
Apriori是關(guān)聯(lián)分析中比較早的一種方法高氮，主要用來挖掘那些頻繁項(xiàng)集合。其思想是：
1. 如果一個(gè)項(xiàng)目集合不是頻繁集合把篓，那么任何包含它的項(xiàng)目集合也一定不是頻繁集合纫溃；
2. 如果一個(gè)項(xiàng)目集合是頻繁集合，那么它的任何非空子集也是頻繁集合韧掩；
Aprioir需要掃描項(xiàng)目表多遍，從一個(gè)項(xiàng)目開始掃描窖铡，舍去掉那些不是頻繁的項(xiàng)目疗锐，得到的集合稱為L坊谁，然后對(duì)L中的每個(gè)元素進(jìn)行自組合，生成比上次掃描多一個(gè)項(xiàng)目的集合滑臊，該集合稱為C口芍，接著又掃描去掉那些非頻繁的項(xiàng)目，重復(fù)…
看下面這個(gè)例子：
元素項(xiàng)目表格：
如果每個(gè)步驟不去掉非頻繁項(xiàng)目集雇卷，則其掃描過程的樹形結(jié)構(gòu)如下：
在其中某個(gè)過程中鬓椭，可能出現(xiàn)非頻繁的項(xiàng)目集，將其去掉（用陰影表示）為：
上面的內(nèi)容主要參考的是machine learning in action這本書关划。
FP Growth:
FP Growth是一種比Apriori更高效的頻繁項(xiàng)挖掘方法小染，它只需要掃描項(xiàng)目表2次。其中第1次掃描獲得當(dāng)個(gè)項(xiàng)目的頻率贮折，去掉不符合支持度要求的項(xiàng)裤翩，并對(duì)剩下的項(xiàng)排序。第2遍掃描是建立一顆FP-Tree(frequent-patten tree)调榄。
接下來的工作就是在FP-Tree上進(jìn)行挖掘踊赠。
比如說有下表：
它所對(duì)應(yīng)的FP_Tree如下：
然后從頻率最小的單項(xiàng)P開始，找出P的條件模式基每庆，用構(gòu)造FP_Tree同樣的方法來構(gòu)造P的條件模式基的FP_Tree筐带，在這棵樹上找出包含P的頻繁項(xiàng)集。
依次從m,b,a,c,f的條件模式基上挖掘頻繁項(xiàng)集缤灵，有些項(xiàng)需要遞歸的去挖掘烫堤，比較麻煩，比如m節(jié)點(diǎn)凤价，具體的過程可以參考博客：Frequent Pattern 挖掘之二(FP Growth算法)鸽斟，里面講得很詳細(xì)。
參考資料：
csdn機(jī)器學(xué)習(xí)算法整理
2010龍星計(jì)劃：機(jī)器學(xué)習(xí) 對(duì)應(yīng)的視頻教程： 2010龍星計(jì)劃機(jī)器學(xué)習(xí)視頻教程
GBDT（MART） 迭代決策樹入門教程 | 簡介
Ng的cs229課程資料
斯坦福大學(xué)公開課 ：機(jī)器學(xué)習(xí)課程
Frequent Pattern 挖掘之二(FP Growth算法)
