轻松看懂机器学习十大常用算法

时间:2017-06-18 14:12

轻松看懂机器学习十大常用算法

  

  通过本篇文章大家可以对ML的常用算法形成常识性的认识。没有代码,没有复杂的理论推导,仅是图解,介绍这些算法是什么以及如何应用(例子主要是分类问题)。以后有机会再对单个算法做深入地解析。

  今天的算法如下:

  决策树随机森林算法逻辑回归SVM朴素贝叶斯K最近邻算法K均值算法Adaboost 算法神经网络马尔可夫

  1. 决策树

  根据一些 feature 进行分类,每个节点提一个问题,通过判断,将数据分为两类,再继续提问。这些问题是根据已有数据学习出来的,再投入新数据的时候,就可以根据这棵树上的问题,将数据划分到合适的叶子上。

  

  2. 随机森林

  在源数据中随机选取数据,组成几个子集

  

  S 矩阵是源数据,有 1-N 条数据,A B C 是feature,最后一列C是类别

  

  由 S 随机生成 M 个子矩阵

  

  这 M 个子集得到 M 个决策树

  将新数据投入到这 M 个树中,得到 M 个分类结果,计数看预测成哪一类的数目最多,就将此类别作为最后的预测结果

  

  3. 逻辑回归

  当预测目标是概率这样的,值域需要满足大于等于0,小于等于1的,这个时候单纯的线性模型是做不到的,因为在定义域不在某个范围之内时,值域也超出了规定区间。

  

  所以此时需要这样的形状的模型会比较好

  

  那么怎么得到这样的模型呢?

  这个模型需要满足两个条件 大于等于0,小于等于1

  大于等于0 的模型可以选择 绝对值,平方值,这里用 指数函数,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

  

  再做一下变形,就得到了 logistic regression 模型

  

  通过源数据计算可以得到相应的系数了

  

  最后得到 logistic 的图形

  

  4. SVM

  support vector machine

  要将两类分开,想要得到一个超平面,最优的超平面是到两类的 margin 达到最大,margin就是超平面与离它最近一点的距离,如下图,Z2>Z1,所以绿色的超平面比较好

  

  将这个超平面表示成一个线性方程,在线上方的一类,都大于等于1,另一类小于等于-1

  

  点到面的距离根据图中的公式计算

  

  所以得到 total margin 的表达式如下,目标是最大化这个 margin,就需要最小化分母,于是变成了一个优化问题

  

  举个栗子,三个点,找到最优的超平面,定义了 weight vector=(2,3)-(1,1)

  

  得到 weight vector 为(a,2a),将两个点代入方程,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,进而得到超平面的表达式。

  

  a 求出来后,代入(a,2a)得到的就是 support vector

  a 和 w0 代入超平面的方程就是 support vector machine

  5. 朴素贝叶斯

  举个在 NLP 的应用

  给一段文字,返回情感分类,这段文字的态度是positive,还是negative

  

  为了解决这个问题,可以只看其中的一些单词

  

  这段文字,将仅由一些单词和它们的计数代表

  

  原始问题是:给你一句话,它属于哪一类

  通过 bayes rules 变成一个比较简单容易求得的问题

  

  问题变成,这一类中这句话出现的概率是多少,当然,别忘了公式里的另外两个概率

  栗子:单词 love 在 positive 的情况下出现的概率是 0.1,在 negative 的情况下出现的概率是 0.001

  

  6. K最近邻

  k nearest neighbours

  给一个新的数据时,离它最近的 k 个点中,哪个类别多,这个数据就属于哪一类

  栗子:要区分 猫 和 狗,通过 claws 和 sound 两个feature来判断的话,圆形和三角形是已知分类的了,那么这个 star 代表的是哪一类呢

  

  k=3时,这三条线链接的点就是最近的三个点,那么圆形多一些,所以这个star就是属于猫

  

  7. K均值

  想要将一组数据,分为三类,粉色数值大,黄色数值小

  最开心先初始化,这里面选了最简单的 3,2,1 作为各类的初始值

  剩下的数据里,每个都与三个初始值计算距离,然后归类到离它最近的初始值所在类别

  

  分好类后,计算每一类的平均值,作为新一轮的中心点

  

  几轮之后,分组不再变化了,就可以停止了

  

  

  8. Adaboost

  adaboost 是 bosting 的方法之一

  bosting就是把若干个分类效果并不好的分类器综合起来考虑,会得到一个效果比较好的分类器。

  下图,左右两个决策树,单个看是效果不怎么好的,但是把同样的数据投入进去,把两个结果加起来考虑,就会增加可信度

  

  adaboost 的栗子,手写识别中,在画板上可以抓取到很多 features,例如 始点的方向,始点和终点的距离等等

  

  training 的时候,会得到每个 feature 的 weight,例如 2 和 3 的开头部分很像,这个 feature 对分类起到的作用很小,它的权重也就会较小

  

  而这个 alpha 角 就具有很强的识别性,这个 feature 的权重就会较大,最后的预测结果是综合考虑这些 feature 的结果

  

  9. 神经网络

  Neural Networks 适合一个input可能落入至少两个类别里

  NN 由若干层神经元,和它们之间的联系组成

  第一层是 input 层,最后一层是 output 层

  在 hidden 层 和 output 层都有自己的 classifier