机器学习-生成学习算法

本内容主要参考Andrew Ng的机器学习公开课第五讲。

本课内容：

• 生成学习算法的介绍；
• 第一个典型的生成学习算法——高斯判别分析；
• 生成学习算法与之前的判别学习算法的对比；
• 朴素贝叶斯算法，
• Laplace平滑。

1.生成学习算法

学习算法分为两种：一种是判别学习算法（Discriminative Learning Algorithm），简称DLA，另一种是生成学习算法（Generative Learning Algorithm），简称GLA。

DLA 通过建立输入空间X与输出标注{1, 0}间的映射关系学习得到 p(y|x) 。而 GLA 首先确定 p(x|y) 和 p(y) ，由贝叶斯准则得到后验分布 p(y|x)=p(x|y)p(y)p(x) 。通过最大后验准则进行预测，即

arg maxy p(y|x)=arg maxyp(x|y)p(y)p(x)

<=>arg maxy p(x|y)p(y)

if p(y) is uniform: <=> arg maxy p(x|y) .

2.GDA高斯判别分析

当我们有一个分类问题，它的输入特征 x 是一个连续的随机变量，这时我们就使用高斯判别分析模型来建模，模型如下

是一个二类问题，所以假设y服从的是伯努利分布，进一步描述模型

根据模型经过训练得到它的似然函数模型：

然后，通过极大似然估计得到变量的估计值如下：

3.GDA和logistic回归模型的关系

如果我们把 p(y=1|,x;几个参数) 看做是一个函数的变量 x ,我们会发现，这样一个有趣的式子：

该式子就是logistic回归模型的一个sigmoid函数。

GDA的优势： 由于有高斯分布的先验信息，如果确实符合实际数据，则只需要少量的样本就可以得到较好的模型。对比之下，logistic回归模型有更好的鲁棒性。

4.朴素贝叶斯Naive Bayes

朴素贝叶斯是通过后验概率来分类的，首先介绍一下贝叶斯公式：

p(X|Y)=p(Y|X)p(X)p(Y)

朴素贝叶斯模型对于输入特征 x和输出结果y ，是假设 x 条件独立于 y 的。条件独立也就是下列式子是成立的：

p(x1,x2...xn|y)=p(x1|y)p(x2|y)...p(xn|y)

我们根据条件可以得到一个似然函数

训练模型（联合概率分布）：给定训练样本 {(x(i),y(i));i=1..m}
给出极大似然估计值

其中： ， ，

预测：输入一个n维特征值 x （如一个词表），由贝叶斯准则得到后验概率

由最大后验准则得到分类结果。

关于贝叶斯的一个实例，可以参考我的另外一篇博文：
机器学习算法-朴素贝叶斯Python实现.

5.Laplace平滑

在实际应用中，有时候我们的数据正负样本的比例不均衡，比如正样本的个数为50，负样本为0，这是计算 p(y=0)=0 ,这个概率在很多的时候是不科学的，所以使用laplace平滑，将正样本和负样本都增加一个，然后计算负样本的概率就变成了这样

p(y=0)=numNeg+1numNeg+numPos+2

将它归纳之后的到的公式如下：

Reference

Stanford机器学习公开课：http://open.163.com/movie/2008/1/A/R/M6SGF6VB4_M6SGHMFAR.html

---

本栏目Machine Learning 算法实现持续更新中，欢迎关注：Dream_Angel_Z博客