机器学习基础

第一章、机器学习的概念

1.1 机器学习是什么

什么是学习

• 从人的学习说起
• 学习理论；从实践经验中总结
• 在理论上推导；在实践中检验
• 通过各种手段获取知识或技能的过程

机器怎么学习？

• 处理某个特定的任务，以大量的“经验”为基础
• 对任务完成的好坏，给予一定的评判标准
• 通过分析经验数据，任务完成得更好了

1.2 机器学习的开端

1952 年，IBM 的 Arthur Samuel （被誉为“机器学习之父”）设计了一款可以学习的西洋跳棋程序。
它能通过观察棋子的走位来构建新的模型， 并用其提高自己的下棋技巧。
Samuel和这个程序进行多场对弈后发现， 随着时间的推移，程序的棋艺变得越来越好。

1.3 机器学习的定义

机器学习(Machine Learning, ML)主要研究计算机系统对于特定任务 的性能，逐步进行改善的算法和统计模型。

通过输入海量训练数据对模型进行训练，使模型掌握数据所蕴含的潜 在规律，进而对新输入的数据进行准确的分类或预测。

是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸优化、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

1.4 机器学习的过程

1.5 机器学习的示例

第二章、机器学习的分类

2.1 机器学习的主要分类

有监督学习：提供数据并提供数据对应结果的机器学习过程。

无监督学习：提供数据并且不提供数据对应结果的机器学习过程。

强化学习：通过与环境交互并获取延迟返回进而改进行为的学习过程。

2.2 无监督学习

无监督学习(Unsupervised Learning)算法采用一组仅包含输入的数据，通过寻找数据中的内在结构来进行样本点的分组或聚类。

算法从没有被标记或分类的测试数据中学习。

无监督学习算法不是响应反馈，而是要识别数据中的共性特征；对于 一个新数据，可以通过判断其中是否存在这种特征，来做出相应的反馈。

无监督学习的核心应用是统计学中的密度估计和聚类分析。

2.3 无监督学习应用

无监督聚类应用的一个例子就是在谷歌新闻中。

谷歌新闻每天都会收集很多新闻内容。它将这些新闻分组，组成有关 联的新闻，然后按主题显示给用户。

谷歌新闻做的就是搜索新闻事件， 自动地把它们聚类到一起，这些新闻事件全是同一主题的。

2.4 监督学习

监督学习（Supervised Learning）算法构建了包含输入和所需输出 的一组数据的数学模型。这些数据称为训练数据，由一组训练样本组成。

监督学习主要包括分类和回归。

当输出被限制为有限的一组值（离散数值）时使用分类算法；当输出可以具有范围内的任何数值（连续数值）时使用回归算法。

相似度学习是和回归和分类都密切相关的一类监督机器学习，它的目标是使用相似性函数从样本中学习，这个函数可以度量两个对象之间 的相似度或关联度。它在排名、推荐系统、视觉识别跟踪、人脸识别 等方面有很好的应用场景。

2.5 监督学习应用

预测房价或房屋出售情况

第三章、监督学习深入介绍

3.1 监督学习三要素

模型(model):总结数据的内在规律，用数学函数描述的系统

策略(strategy):选取最优模型的评价准则

算法(algorithm):选取最优模型的具体方法

3.2 监督学习实现步骤

1. 得到一个有限的训练数据集
2. 确定包含所有学习模型的集合
3. 确定模型选择的准则，也就是学习策略
4. 实现求解最优模型的算法，也就是学习算法
5. 通过学习算法选择最优模型
6. 利用得到的最优模型，对新数据进行预测或分析

 

3.3 监督学习模型评估策略

模型评估

• 训练集和测试集
• 损失函数和经验风险
• 训练误差和测试误差

模型选择

• 过拟合和欠拟合
• 正则化和交叉验证

训练集和测试集

我们将数据输入到模型中训练出了对应模型，但是模型的效果好不好呢？我们需要对模型的好坏进行评估

我们将用来训练模型的数据称为训练集，将用来测试模型好坏的集合称为测试集。

训练集：输入到模型中对模型进行训练的数据集合。

测试集：模型训练完成后测试训练效果的数据集合。

损失函数

损失函数用来衡量模型预测误差的大小。

定义：选取模型 f 为决策函数，对于给定的输入参数X, f(X)为预测 结果，Y为真实结果；f(X)和Y之间可能会有偏差，我们就用一个 损失函数(loss function)来度量预测偏差的程度,记作L(Y,f(X))

损失函数是系数的函数

损失函数值越小，模型就越好

经验风险

训练误差和测试误差

欠拟合

模型没有很好地捕捉到数据特征，特征集过小，导致模型不能很好地 拟合数据，称之为欠拟合(under-fitting)

欠拟合的本质是对数据的特征“学习”得不够

例如，想分辨一只猫，只给出了四条腿、两只眼、有尾巴这三个特征, 那么由此训练出来的模型根本无法分辨猫

过拟合

把训练数据学习的太彻底，以至于把噪声数据的特征也学习到了，特征集过大，这样就会导致在后期测试的时候不能够很好地识别数据，即不能正确的 分类，模型泛化能力太差，称之为过拟合(over-fitting)

例如，想分辨一只猫，给出了四条腿、两只眼、一条尾巴、叫声、颜色，能 够捕捉老鼠、喜欢吃鱼、……，然后恰好所有的训练数据的猫都是白色，那 么这个白色是一个噪声数据，会干扰判断，结果模型把颜色是白色也学习到 了，而白色是局部样本的特征，不是全局特征，就造成了输入一个黑猫的数据，判断出不是猫。

模型的选择

当模型复杂度增大时，训练误差会逐渐减小并趋向于0；而测试误差会先减小，达到最小值之后再增大

当模型复杂度过大时，就会发生过拟合；所以模型复杂度应适当

正则化

奥卡姆剃刀

交叉验证

3.4 分类和回归

监督学习问题主要可以划分为两类，即分类问题和回归问题

-分类问题预测数据属于哪一类别。一一离散
-回归问题根据数据预测一个数值。一一连续

通俗地讲，分类问题就是预测数据属于哪一种类型，就像上面的房屋出售预 测，通过大量数据训练模型，然后去预测某个给定房屋能不能出售出去，属 于能够出售类型还是不能出售类型。

回归问题就是预测一个数值，比如给出房屋一些特征，预测房价

如果将上面的房屋出售的问题改为预测房屋出售的概率，得到的结果将不再是可以售出⑴和不能售出(0)，将会是一个连续的数值，例如0.5,这就变成了一个回归问题

分类

精确率和召回率

回归