|  站内搜索:
网站首页 > 学术探索 > 科技前沿 > 阅读信息
十大必须掌握的机器学习算法,竟然都如此有趣
点击:  作者:钱塘号    来源:诸葛智库  发布时间:2018-10-22 11:41:45

 

       导读:通过本篇文章可以对ML的常用算法有个常识性的认识,没有代码,没有复杂的理论推导,就是图解一下,知道这些算法是什么,它们是怎么应用的,例子主要是分类问题。

今天的算法如下:

1 决策树

2 随机森林算法

3 逻辑回归

4  SVM

朴素贝叶斯

6  K最近邻算法

7  K均值算法

8  Adaboost算法

神经网络

10  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,ABC feature,最后一列C是类别:

 

S随机生成M个子矩阵:

 

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 regressions 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:

 

4SVM

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:

 

举个例子,三个点,找到最优的超平面,定义了 weight vector=(23)-(11):

 

得到weight vector为(a2a),将两个点代入方程,代入(23)另其值=1,代入(11)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(a2a)得到的就是support vector

aw0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。

例子: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

 

6K最近临算法

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。

例子: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?

 

k3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。

 

7K均值算法

先要将一组数据,分为三类,粉色数值大,黄色数值小 。

最开始先初始化,这里面选了最简单的 321 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:

 

 

8Adaboost 

adaboost 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 的例子,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featureweight,例如23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、网络神经

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。

hidden层和output层都有自己的classifier

 

input输入到网络中,被激活,计算的分数被传递到下一层,激活后面的神经层,最后output层的节点上的分数代表属于各类的分数,下图例子得到分类结果为class 1

同样的input被传输到不同的节点上,之所以会得到不同的结果是因为各自节点有不同的weights bias这也就是forward propagation

 

10、马尔可夫

Markov Chains statetransitions组成。

例子,根据这一句话 ‘the quick brown fox jumps over the lazy dog’,要得到markov chains

步骤,先给每一个单词设定成一个状态,然后计算状态间转换的概率。

 

这是一句话计算出来的概率,当你用大量文本去做统计的时候,会得到更大的状态转移矩阵,例如the后面可以连接的单词,及相应的概率。

 

生活中,键盘输入法的备选结果也是一样的原理,模型会更高级。

 

来源:钱塘号

责任编辑:向太阳
特别申明:

1、本文只代表作者个人观点,不代表本站观点,仅供大家学习参考;

2、本站属于非营利性网站,如涉及版权和名誉问题,请及时与本站联系,我们将及时做相应处理;

3、欢迎各位网友光临阅览,文明上网,依法守规,IP可查。

昆仑专题

热点排行
  • 一周
  • 一月
  • 半年
  • 建言点赞
  • 一周
  • 一月
  • 半年
  • 图片新闻

    友情链接
  • 北京市赵晓鲁律师事务所
  • 186导航
  • 红旗文稿
  • 人大经济论坛
  • 光明网
  • 宣讲家网
  • 三沙新闻网
  • 西征网
  • 四月网
  • 法律知识大全
  • 法律法规文库
  • 最高人民法院
  • 最高人民检察院
  • 中央纪委监察部
  • 共产党新闻网
  • 新华网
  • 央视网
  • 中国政府网
  • 中国新闻网
  • 全国政协网
  • 全国社科办
  • 全国人大网
  • 中国军网
  • 中国社会科学网
  • 人民日报
  • 求是理论网
  • 人民网
  • 备案/许可证编号:京ICP备15015626号-1 昆仑策咨询服务(北京)有限公司版权所有 举报邮箱:[email protected]