https://zhuanlan.zhihu.com/p/33794257
<header class="Post-Header" style="overflow: hidden; width: 690px; margin: 0px auto;">
Machine Learning: 十大機(jī)器學(xué)習(xí)算法
Engineer & Writer
?關(guān)注他
40 人贊同了該文章
</header>
- 機(jī)器學(xué)習(xí)算法分類：監(jiān)督學(xué)習(xí)尝丐、無監(jiān)督學(xué)習(xí)邢享、強(qiáng)化學(xué)習(xí)
- 基本的機(jī)器學(xué)習(xí)算法：線性回歸筝尾、支持向量機(jī)(SVM)徐钠、最近鄰居(KNN)涡扼、邏輯回歸、決策樹壁公、k平均、隨機(jī)森林焚鲜、樸素貝葉斯、降維放前、梯度增強(qiáng)
- 公式忿磅、圖示、案例
機(jī)器學(xué)習(xí)算法大致可以分為三類：
- 監(jiān)督學(xué)習(xí)算法 (Supervised Algorithms）:在監(jiān)督學(xué)習(xí)訓(xùn)練過程中凭语，可以由訓(xùn)練數(shù)據(jù)集學(xué)到或建立一個(gè)模式（函數(shù) / learning model）葱她，并依此模式推測(cè)新的實(shí)例。該算法要求特定的輸入/輸出叽粹，首先需要決定使用哪種數(shù)據(jù)作為范例览效。例如，文字識(shí)別應(yīng)用中一個(gè)手寫的字符虫几，或一行手寫文字。主要算法包括神經(jīng)網(wǎng)絡(luò)挽拔、支持向量機(jī)辆脸、最近鄰居法、樸素貝葉斯法螃诅、決策樹等啡氢。
- 無監(jiān)督學(xué)習(xí)算法 (Unsupervised Algorithms):這類算法沒有特定的目標(biāo)輸出，算法將數(shù)據(jù)集分為不同的組术裸。
- 強(qiáng)化學(xué)習(xí)算法 (Reinforcement Algorithms):強(qiáng)化學(xué)習(xí)普適性強(qiáng)倘是，主要基于決策進(jìn)行訓(xùn)練，算法根據(jù)輸出結(jié)果（決策）的成功或錯(cuò)誤來訓(xùn)練自己袭艺，通過大量經(jīng)驗(yàn)訓(xùn)練優(yōu)化后的算法將能夠給出較好的預(yù)測(cè)搀崭。類似有機(jī)體在環(huán)境給予的獎(jiǎng)勵(lì)或懲罰的刺激下，逐步形成對(duì)刺激的預(yù)期，產(chǎn)生能獲得最大利益的習(xí)慣性行為瘤睹。在運(yùn)籌學(xué)和控制論的語境下升敲，強(qiáng)化學(xué)習(xí)被稱作“近似動(dòng)態(tài)規(guī)劃”（approximate dynamic programming，ADP）轰传。
基本的機(jī)器學(xué)習(xí)算法：
- 線性回歸算法 Linear Regression
- 支持向量機(jī)算法 (Support Vector Machine,SVM)
- 最近鄰居/k-近鄰算法 (K-Nearest Neighbors,KNN)
- 邏輯回歸算法 Logistic Regression
- 決策樹算法 Decision Tree
- k-平均算法 K-Means
- 隨機(jī)森林算法 Random Forest
- 樸素貝葉斯算法 Naive Bayes
- 降維算法 Dimensional Reduction
- 梯度增強(qiáng)算法 Gradient Boosting
1. 線性回歸算法 Linear Regression
回歸分析（Regression Analysis）是統(tǒng)計(jì)學(xué)的數(shù)據(jù)分析方法驴党，目的在于了解兩個(gè)或多個(gè)變量間是否相關(guān)、相關(guān)方向與強(qiáng)度获茬，并建立數(shù)學(xué)模型以便觀察特定變量來預(yù)測(cè)其它變量的變化情況港庄。
線性回歸算法（Linear Regression）的建模過程就是使用數(shù)據(jù)點(diǎn)來尋找最佳擬合線。公式恕曲，y = mx + c攘轩，其中 y 是因變量，x 是自變量码俩，利用給定的數(shù)據(jù)集求 m 和 c 的值度帮。
線性回歸又分為兩種類型，即 簡(jiǎn)單線性回歸（simple linear regression)稿存，只有 1 個(gè)自變量笨篷；多變量回歸（multiple regression)*，至少兩組以上自變量瓣履。
下面是一個(gè)線性回歸示例：基于 Python scikit-learn 工具包描述率翅。
2. 支持向量機(jī)算法(Support Vector Machine,SVM)
支持向量機(jī)/網(wǎng)絡(luò)算法(SVM)屬于分類型算法。SVM模型將實(shí)例表示為空間中的點(diǎn)袖迎，將使用一條直線分隔數(shù)據(jù)點(diǎn)冕臭。需要注意的是，支持向量機(jī)需要對(duì)輸入數(shù)據(jù)進(jìn)行完全標(biāo)記燕锥，僅直接適用于兩類任務(wù)辜贵，應(yīng)用將多類任務(wù)需要減少到幾個(gè)二元問題。
3. 最近鄰居/k-近鄰算法 (K-Nearest Neighbors,KNN)
KNN算法是一種基于實(shí)例的學(xué)習(xí)归形，或者是局部近似和將所有計(jì)算推遲到分類之后的惰性學(xué)習(xí)托慨。用最近的鄰居（k）來預(yù)測(cè)未知數(shù)據(jù)點(diǎn)。k 值是預(yù)測(cè)精度的一個(gè)關(guān)鍵因素暇榴，無論是分類還是回歸厚棵，衡量鄰居的權(quán)重都非常有用，較近鄰居的權(quán)重比較遠(yuǎn)鄰居的權(quán)重大蔼紧。
KNN 算法的缺點(diǎn)是對(duì)數(shù)據(jù)的局部結(jié)構(gòu)非常敏感婆硬。計(jì)算量大，需要對(duì)數(shù)據(jù)進(jìn)行規(guī)范化處理奸例，使每個(gè)數(shù)據(jù)點(diǎn)都在相同的范圍彬犯。
延伸：KNN 的一個(gè)缺點(diǎn)是依賴于整個(gè)訓(xùn)練數(shù)據(jù)集，學(xué)習(xí)向量量化（Learning Vector Quantization，LVQ)是一種監(jiān)督學(xué)習(xí)的人神經(jīng)網(wǎng)絡(luò)算法躏嚎，允許你選擇訓(xùn)練實(shí)例蜜自。LVQ 由數(shù)據(jù)驅(qū)動(dòng)，搜索距離它最近的兩個(gè)神經(jīng)元卢佣，對(duì)于同類神經(jīng)元采取拉攏重荠，異類神經(jīng)元采取排斥，最終得到數(shù)據(jù)的分布模式虚茶。如果基于 KNN 可以獲得較好的數(shù)據(jù)集分類效果戈鲁，利用 LVQ 可以減少存儲(chǔ)訓(xùn)練數(shù)據(jù)集存儲(chǔ)規(guī)模。典型的學(xué)習(xí)矢量量化算法有LVQ1嘹叫、LVQ2和LVQ3婆殿，尤以LVQ2的應(yīng)用最為廣泛。
4. 邏輯回歸算法 Logistic Regression
邏輯回歸算法（Logistic Regression）一般用于需要明確輸出的場(chǎng)景罩扇，如某些事件的發(fā)生（預(yù)測(cè)是否會(huì)發(fā)生降雨）婆芦。通常，邏輯回歸使用某種函數(shù)將概率值壓縮到某一特定范圍喂饥。
例如消约，Sigmoid 函數(shù)（S 函數(shù)）是一種具有 S 形曲線、用于二元分類的函數(shù)员帮。它將發(fā)生某事件的概率值轉(zhuǎn)換為 0, 1 的范圍表示或粮。
Y = E ^（b0＋b1 x）/（1 + E ^（b0＋b1 x ））
以上是一個(gè)簡(jiǎn)單的邏輯回歸方程，B0捞高，B1是常數(shù)氯材。這些常數(shù)值將被計(jì)算獲得，以確保預(yù)測(cè)值和實(shí)際值之間的誤差最小硝岗。
5. 決策樹算法 Decision Tree
決策樹（Decision tree）是一種特殊的樹結(jié)構(gòu)氢哮，由一個(gè)決策圖和可能的結(jié)果（例如成本和風(fēng)險(xiǎn)）組成，用來輔助決策辈讶。機(jī)器學(xué)習(xí)中命浴，決策樹是一個(gè)預(yù)測(cè)模型，樹中每個(gè)節(jié)點(diǎn)表示某個(gè)對(duì)象贱除，而每個(gè)分叉路徑則代表某個(gè)可能的屬性值，而每個(gè)葉節(jié)點(diǎn)則對(duì)應(yīng)從根節(jié)點(diǎn)到該葉節(jié)點(diǎn)所經(jīng)歷的路徑所表示的對(duì)象的值媳溺。決策樹僅有單一輸出月幌，通常該算法用于解決分類問題。
一個(gè)決策樹包含三種類型的節(jié)點(diǎn)：
- 決策節(jié)點(diǎn)：通常用矩形框來表示
- 機(jī)會(huì)節(jié)點(diǎn)：通常用圓圈來表示
- 終結(jié)點(diǎn)：通常用三角形來表示
簡(jiǎn)單決策樹算法案例悬蔽，確定人群中誰喜歡使用信用卡扯躺。考慮人群的年齡和婚姻狀況，如果年齡在30歲或是已婚录语，人們更傾向于選擇信用卡倍啥，反之則更少。
通過確定合適的屬性來定義更多的類別澎埠，可以進(jìn)一步擴(kuò)展此決策樹虽缕。在這個(gè)例子中，如果一個(gè)人結(jié)婚了蒲稳，他超過30歲氮趋，他們更有可能擁有信用卡（100% 偏好）。測(cè)試數(shù)據(jù)用于生成決策樹江耀。
注意：對(duì)于那些各類別樣本數(shù)量不一致的數(shù)據(jù)剩胁，在決策樹當(dāng)中信息增益的結(jié)果偏向于那些具有更多數(shù)值的特征。
6. k-平均算法 K-Means
k-平均算法(K-Means)是一種無監(jiān)督學(xué)習(xí)算法祥国，為聚類問題提供了一種解決方案昵观。
K-Means 算法把 n 個(gè)點(diǎn)（可以是樣本的一次觀察或一個(gè)實(shí)例）劃分到 k 個(gè)集群（cluster），使得每個(gè)點(diǎn)都屬于離他最近的均值（即聚類中心舌稀，centroid）對(duì)應(yīng)的集群啊犬。重復(fù)上述過程一直持續(xù)到重心不改變。
7. 隨機(jī)森林算法 Random Forest
隨機(jī)森林算法（Random Forest）的名稱由 1995 年由貝爾實(shí)驗(yàn)室提出的random decision forests 而來扩借，正如它的名字所說的那樣椒惨，隨機(jī)森林可以看作一個(gè)決策樹的集合。
隨機(jī)森林中每棵決策樹估計(jì)一個(gè)分類潮罪，這個(gè)過程稱為“投票（vote）”康谆。理想情況下，我們根據(jù)每棵決策樹的每個(gè)投票嫉到，選擇最多投票的分類沃暗。
8. 樸素貝葉斯算法 Naive Bayes
樸素貝葉斯算法（Naive Bayes）基于概率論的貝葉斯定理，應(yīng)用非常廣泛何恶，從文本分類孽锥、垃圾郵件過濾器、醫(yī)療診斷等等细层。樸素貝葉斯適用于特征之間的相互獨(dú)立的場(chǎng)景惜辑，例如利用花瓣的長(zhǎng)度和寬度來預(yù)測(cè)花的類型∫呤辏“樸素”的內(nèi)涵可以理解為特征和特征之間獨(dú)立性強(qiáng)盛撑。
與樸素貝葉斯算法密切相關(guān)的一個(gè)概念是最大似然估計(jì)(Maximum likelihood estimation)，歷史上大部分的最大似然估計(jì)理論也都是在貝葉斯統(tǒng)計(jì)中得到大發(fā)展捧搞。例如抵卫，建立人口身高模型狮荔，很難有人力與物力去統(tǒng)計(jì)全國每個(gè)人的身高，但是可以通過采樣介粘，獲取部分人的身高殖氏，然后通過最大似然估計(jì)來獲取分布的均值與方差。
Naive Bayes is called naive because it assumes that each input variable is independent.
9. 降維算法 Dimensional Reduction
在機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)領(lǐng)域姻采，降維是指在限定條件下雅采，降低隨機(jī)變量個(gè)數(shù)，得到一組“不相關(guān)”主變量的過程偎谁，并可進(jìn)一步細(xì)分為特征選擇和特征提取兩大方法总滩。
一些數(shù)據(jù)集可能包含許多難以處理的變量。特別是資源豐富的情況下巡雨，系統(tǒng)中的數(shù)據(jù)將非常詳細(xì)闰渔。在這種情況下，數(shù)據(jù)集可能包含數(shù)千個(gè)變量铐望，其中大多數(shù)變量也可能是不必要的冈涧。在這種情況下，幾乎不可能確定對(duì)我們的預(yù)測(cè)影響最大的變量正蛙。此時(shí)督弓，我們需要使用降維算法，降維的過程中也可能需要用到其他算法乒验，例如借用隨機(jī)森林愚隧，決策樹來識(shí)別最重要的變量。
10. 梯度增強(qiáng)算法 Gradient Boosting
梯度增強(qiáng)算法（Gradient Boosting）使用多個(gè)弱算法來創(chuàng)建更強(qiáng)大的精確算法锻全。它與使用單個(gè)估計(jì)量不同狂塘，而是使用多個(gè)估計(jì)量創(chuàng)建一個(gè)更穩(wěn)定和更健壯的算法。梯度增強(qiáng)算法有幾種：
- XGBoost? — 使用線性和樹算法
- LightGBM? — 只使用基于樹的算法
梯度增強(qiáng)算法的特點(diǎn)是精度較高鳄厌。此外荞胡，LightGBM 算法具有令人難以置信的高性能。
