輕松看懂機(jī)器學(xué)習(xí)十大常用算法

1、通過本篇文章可以對(duì)ML的常用算法有個(gè)常識(shí)性的認(rèn)識(shí)，沒有代碼，沒有復(fù)雜的理論推導(dǎo)，就是圖解一下，知道這些算法是什么，它們是怎么應(yīng)用的，例子主要是分類問題。每個(gè)算法都看了好幾個(gè)視頻，挑出講的最清晰明了有趣的，便于科普。以后有時(shí)間再對(duì)單個(gè)算法做深入地解析。今天的算法如下：1. 決策樹2. 隨機(jī)森林算法3. 邏輯回歸4. SVM5. 樸素貝葉斯6. K最近鄰算法7. K均值算法8. Adaboost 算法9. 神經(jīng)網(wǎng)絡(luò)10. 馬爾可夫1. 決策樹根據(jù)一些 feature 進(jìn)行分類，每個(gè)節(jié)點(diǎn)提一個(gè)問題，通過判斷，將數(shù)據(jù)分為兩類，再繼續(xù)提問。這些問題是根據(jù)已有數(shù)據(jù)學(xué)習(xí)出來的，再投入新數(shù)據(jù)的時(shí)候，就可以根據(jù)

2、這棵樹上的問題，將數(shù)據(jù)劃分到合適的葉子上。2. 隨機(jī)森林視頻在源數(shù)據(jù)中隨機(jī)選取數(shù)據(jù)，組成幾個(gè)子集S 矩陣是源數(shù)據(jù)，有 1-N 條數(shù)據(jù)，A B C 是feature，最后一列C是類別由 S 隨機(jī)生成 M 個(gè)子矩陣這 M 個(gè)子集得到 M 個(gè)決策樹將新數(shù)據(jù)投入到這 M 個(gè)樹中，得到 M 個(gè)分類結(jié)果，計(jì)數(shù)看預(yù)測(cè)成哪一類的數(shù)目最多，就將此類別作為最后的預(yù)測(cè)結(jié)果3. 邏輯回歸視頻當(dāng)預(yù)測(cè)目標(biāo)是概率這樣的，值域需要滿足大于等于0，小于等于1的，這個(gè)時(shí)候單純的線性模型是做不到的，因?yàn)樵诙x域不在某個(gè)范圍之內(nèi)時(shí)，值域也超出了規(guī)定區(qū)間。所以此時(shí)需要這樣的形狀的模型會(huì)比較好那么怎么得到這樣的模型呢？這個(gè)模型需要滿足兩

3、個(gè)條件 大于等于0，小于等于1大于等于0 的模型可以選擇 絕對(duì)值，平方值，這里用 指數(shù)函數(shù)，一定大于0小于等于1 用除法，分子是自己，分母是自身加上1，那一定是小于1的了再做一下變形，就得到了 logistic regression 模型通過源數(shù)據(jù)計(jì)算可以得到相應(yīng)的系數(shù)了最后得到 logistic 的圖形4. SVMsupport vector machine要將兩類分開，想要得到一個(gè)超平面，最優(yōu)的超平面是到兩類的 margin 達(dá)到最大，margin就是超平面與離它最近一點(diǎn)的距離，如下圖，Z2>Z1，所以綠色的超平面比較好將這個(gè)超平面表示成一個(gè)線性方程，在線上方的一類，都大于等于1，另

4、一類小于等于1點(diǎn)到面的距離根據(jù)圖中的公式計(jì)算所以得到 total margin 的表達(dá)式如下，目標(biāo)是最大化這個(gè) margin，就需要最小化分母，于是變成了一個(gè)優(yōu)化問題舉個(gè)栗子，三個(gè)點(diǎn)，找到最優(yōu)的超平面，定義了 weight vector（2，3）（1，1）得到 weight vector 為（a，2a），將兩個(gè)點(diǎn)代入方程，代入（2，3）另其值1，代入（1，1）另其值-1，求解出 a 和 截矩 w0 的值，進(jìn)而得到超平面的表達(dá)式。a 求出來后，代入（a，2a）得到的就是 support vectora 和 w0 代入超平面的方程就是 support vector machine5. 樸素貝葉斯視

5、頻舉個(gè)在 NLP 的應(yīng)用給一段文字，返回情感分類，這段文字的態(tài)度是positive，還是negative為了解決這個(gè)問題，可以只看其中的一些單詞這段文字，將僅由一些單詞和它們的計(jì)數(shù)代表原始問題是：給你一句話，它屬于哪一類通過 bayes rules 變成一個(gè)比較簡(jiǎn)單容易求得的問題問題變成，這一類中這句話出現(xiàn)的概率是多少，當(dāng)然，別忘了公式里的另外兩個(gè)概率栗子：?jiǎn)卧~ love 在 positive 的情況下出現(xiàn)的概率是 0.1，在 negative 的情況下出現(xiàn)的概率是 0.0016. K最近鄰視頻k nearest neighbours給一個(gè)新的數(shù)據(jù)時(shí)，離它最近的 k 個(gè)點(diǎn)中，哪個(gè)類別多，這個(gè)數(shù)

6、據(jù)就屬于哪一類栗子：要區(qū)分 貓 和 狗，通過 claws 和 sound 兩個(gè)feature來判斷的話，圓形和三角形是已知分類的了，那么這個(gè) star 代表的是哪一類呢k3時(shí)，這三條線鏈接的點(diǎn)就是最近的三個(gè)點(diǎn)，那么圓形多一些，所以這個(gè)star就是屬于貓7. K均值視頻想要將一組數(shù)據(jù)，分為三類，粉色數(shù)值大，黃色數(shù)值小最開心先初始化，這里面選了最簡(jiǎn)單的 3，2，1 作為各類的初始值剩下的數(shù)據(jù)里，每個(gè)都與三個(gè)初始值計(jì)算距離，然后歸類到離它最近的初始值所在類別分好類后，計(jì)算每一類的平均值，作為新一輪的中心點(diǎn)幾輪之后，分組不再變化了，就可以停止了8. Adaboost視頻adaboost 是 bosti

7、ng 的方法之一bosting就是把若干個(gè)分類效果并不好的分類器綜合起來考慮，會(huì)得到一個(gè)效果比較好的分類器。下圖，左右兩個(gè)決策樹，單個(gè)看是效果不怎么好的，但是把同樣的數(shù)據(jù)投入進(jìn)去，把兩個(gè)結(jié)果加起來考慮，就會(huì)增加可信度adaboost 的栗子，手寫識(shí)別中，在畫板上可以抓取到很多 features，例如 始點(diǎn)的方向，始點(diǎn)和終點(diǎn)的距離等等training 的時(shí)候，會(huì)得到每個(gè) feature 的 weight，例如 2 和 3 的開頭部分很像，這個(gè) feature 對(duì)分類起到的作用很小，它的權(quán)重也就會(huì)較小而這個(gè) alpha 角 就具有很強(qiáng)的識(shí)別性，這個(gè) feature 的權(quán)重就會(huì)較大，最后的預(yù)測(cè)結(jié)果是

8、綜合考慮這些 feature 的結(jié)果9. 神經(jīng)網(wǎng)絡(luò)視頻Neural Networks 適合一個(gè)input可能落入至少兩個(gè)類別里NN 由若干層神經(jīng)元，和它們之間的聯(lián)系組成第一層是 input 層，最后一層是 output 層在 hidden 層 和 output 層都有自己的 classifierinput 輸入到網(wǎng)絡(luò)中，被激活，計(jì)算的分?jǐn)?shù)被傳遞到下一層，激活后面的神經(jīng)層，最后output 層的節(jié)點(diǎn)上的分?jǐn)?shù)代表屬于各類的分?jǐn)?shù)，下圖例子得到分類結(jié)果為 class 1同樣的 input 被傳輸?shù)讲煌墓?jié)點(diǎn)上，之所以會(huì)得到不同的結(jié)果是因?yàn)楦髯怨?jié)點(diǎn)有不同的weights 和 bias這也就是 forward propagation10. 馬爾可夫視頻Markov Chains 由 state 和 transitions 組成栗子，根據(jù)這一句話 the quick brown fox jumps over the lazy dog，要得到 ma