机器学习公开课备忘录（五）无监督学习

机器学习公开课备忘录（五）无监督学习

对应公开课八九周内容，备忘录整理的是偏向算法类的思想内容，因此第10周的照片OCR系统没有做总结，第九周的推荐系统也未做总结

一、K-means聚类算法

算法步骤

1. 设定n个聚类中心
2. 簇分配（Cluster Assignment）:每个数据点(x^{(i)})划分到离它最近的聚类中心的那一类中，即(c^{(i)}=minlimits_k||x^{(i)}-mu_k||^2)
3. 聚类中心更新：将每个聚类的中心(U_k)位置更新为该类中所有数据点的平均值
4. 重复步骤2~3，直到聚类中心不再变化

算法理解与使用

1. K-means的代价函数为：$$J(c^{{(1)},ldots,c}{(m)},mu_1,ldots,mu_K)=frac{1}{m}sumlimits_{i=1}^{m}||x{(i)}-mu_{c^{(i)}}||2$$
簇分配本质上是在不断最小化(J)的过程
2. 使用算法时，可以直接挑选K个样本为初始聚类中心进行更新，为了防止偶然性，可以多次初始化（该方法对K=2~10有较好效果）
3. K的选择可以依赖肘部法则（即绘制J随K变化的曲线，选择下降速度突然减小的点）或者现实考虑（如某种衣服要划分K个型号）：

二、PCA降维（主成份分析）

PCA的思路

当二维数据点近似分布在一条直线上时，可以将其用一个变量代替，同理，多维可以降到更低维。该思路可以用于数据降维减少计算量或数据可视化。
PCA降维的依据就是误差最小化，误差是指数据点到到降维后超平面的投射距离，以二维数据为例：

蓝色点为原数据点，红色点为近似后的数据点，黑色细线即为PCA过程中产生的误差。
（注意到这里的误差是投影点直接的距离，和线性回归的误差是不同的）

PCA算法步骤

1. feature scaling：(x_j^{(i)}=frac{x^{(i)}-mu_j}{sigma_j})
2. 计算协方差矩阵：$$Sigma=frac{1}{m}sumlimits_{i=1}^{m}x{(i)}(x^{(i)})T quad $$
3. 计算协方差矩阵(sum)的特征向量：

[U,S,V] = svd(Sigma)

4. 选举U矩阵的前k个列向量组成(U_{reduce})
5. 计算降维后的数据：(z = U_{reduce}^Tx)(也可以利用该矩阵还原数据)

PCA算法的使用

1. k值的选择，可以依据根据投射误差与原数据的范数平方的平均值之比得到，例如：$$frac{frac{1}{m}sumlimits_{i=1}^{m}||x{(i)}-x^{{(i)}_{approx}||}2}{frac{1}{m}sumlimits_{i=1}^{m}||x{(i)}||^2} leq 0.01(0.05)$$
就说明误差占比例小于1%，也就是说保留了99%的差异性
2. 因此，选择k可以从k=1开始循环，直到寻找的k满足差异性条件
3. PCA减少了特征，但没有减少特征的信息量，无法用于过拟合
4. 在使用PCA加快系统求解速度前，要用原始数据验证模型准确性

三、异常检测

异常检测针对的是有少量((0-20))正例((y=1))的情况，此时由于正例太少，若使用监督学习则无法学习到足够的内容。
异常检测的核心思路就是利用训练数据建模(p(x))，若新的数据点满足(p(x_{new} < epsilon))，即发生概率过小，则认为该点异常

异常检测算法

假设(x的分布符合高斯分布，则):

[p(x;mu, sigma^2)=frac{1}{sqrt{2pi}sigma}exp(-frac{(x-mu)^2}{2sigma^2}) ]

其中：$$mu = frac{1}{m}sumlimits_{i=1}^{m}x{(i)},sigma^{2=frac{1}{m}sumlimits_{i=1}}{m}(x^{(i)}-mu)2$$
统计学中，有时候也选用(frac{1}{m-1})的系数
对于多特征的训练集，可以假设每个特征都符合高斯分布，且独立同分布，最后的概率就为：

[egin{align*}p(x)&=p(x_1; mu_1, sigma_1^2)p(x_2; mu_2, sigma_2^2)ldots p(x_n; mu_n, sigma_n^2) \ &= prodlimits_{j=1}^n p(x_j; mu_j, sigma_j^2)end{align*} ]

其中：$$mu_j = frac{1}{m}sumlimits_{i=1}^{m}x{(i)}_j,sigma^{2_j=frac{1}{m}sumlimits_{i=1}}{m}(x^{{(i)}_j-mu_j)}2$$
最后，阈值的选取可以根据交叉验证集的表现来确定。即通过不同的阈值，来计算对应的验证集的查准率、召回率或(F1)值等

多元高斯分布

多元高斯分布解决的是各个特征之间不独立的情况，此时有公式：

[p(x;mu, Sigma)=frac{1}{(2pi)^{n/2}|Sigma|^{1/2}}expleft(-frac{1}{2}(x-mu)^TSigma^{-1}(x-mu) ight) ]

其中：$$mu=frac{1}{m}sumlimits_{i=1}^{m}x{(i)},Sigma=frac{1}{m}sumlimits_{i=1}^{m}(x{(i)}-mu)(x^{(i)}-mu)T$$
当协方差矩阵是对角阵且对角线元素为一元高斯分布的参数(sigma_j^2)时，两个模型相同；多元模型能捕捉变量之间的关系，但是它要求(m > n)，且为了保证协方差矩阵可逆，不能有冗余特征。