机器学习之进阶篇

关于机器学习，你了解多少呢？

上篇文章里，主要分享了关于机器学习、深度学习的基本概念和他们之间的区别，最后介绍了有监督学习方式中的回归。其实我在最后留下一点小问题，那就是如果数据不是线性关系的话，怎么回归？这篇文章就会回答这个问题，主要分享监督学习和非监督学习中的三大类：

1. 监督学习方式下，回归中的“非线性回归”
2. 监督学习方式下的“分类”
3. 非监督学习方式的“聚类”
4. 关于机器学习的复盘

1.非线性回归

直逼主题，上篇我们假定的数据都是线性的，那么最后当然可以回归出y=wx+b这样的线性方程，可我们最终是想通过机器学习解决现实问题，而现实中的很多数据不可能单单是线性关系，如果强行使用，那么算法模型只能是欠拟合，误差非常大。

这里我们就着重说一下，回归中的非线性回归，而其中应用最多的就是“逻辑回归”。

先上公式：

image

看到这个公式先别慌，其中你们注意（wx+b）是我们上篇已经熟悉的线性回归方程，把它想象成一个整体，带入到这个新公式中，代表着什么呢？下面我们看这个公式的函数图

image

可以看到，在x可以取（-无穷小，+无穷大）的区间里，整个y值是的区间只能是【0，1】之间。具体的数学函数转换如果搞不明白完全没关系，只需要回忆一下上一篇中“线性回归”的思想，通过找到损失函数Loss最小的对应wx+b中对应的w与b的值。而这个逻辑回归函数的作用，在仅仅是把x多映射一次，即让输出的y值恒定落在【0，1】这个区间而已，其回归思想的本质并没有改变。

那么为什么要加入这个函数呢？其实是方便做概率判断：

因为这个函数会让x无论输入的是什么，最终输出的y肯定是0-1之间的值，那么越接近1，我们可以认为越接近“1”代表的特征，越接近0，我们认为越接近“0”代表的特征。而“0”与“1”具体要赋予什么意义，就看我们到底想通过机器学习去识别什么了。

2.监督学习–“分类”

先感性谈谈“分类”这个概念。就是我们希望有一台机器，可以帮助我们进行图像的分类识别。比如我这里有一堆混杂着“鱼”、“狗”和“猫”的图片，光靠人力完成是非常困难的，我想通把这些大量的数据输入给计算机，它很快就能完成而不需要耗费我很长时间去一个一个挑选。但我们知道计算机天生不具备这样的功能，就可以通过机器学习中的“分类”去完成。有了前面“回归”机器学习的思想基础，这个应该很好理解了。

即我会找到大量的“鱼”“猫”和“狗”的图片，每种都对应好标签比如“1”“2”“3”。这时候我们拿这些数据去训练分类器。分类器的训练过程和线性回归基本很相似：

• 建立映射关系的假说即 y=wx+b
• 找到全局损失函数Loss与我们想要求解的w与b的映射关系方程
• 找到Loss符合误差范围的w与b （训练过程结束）
• 拿着训练好的模型去用验证集验证

3.非监督学习–“聚类”

前面我们介绍的线性回归、非线性回归和分类，都属于“监督学习方式”，要在训练数据之前进行标记，这样的数据模型才可以被训练。但数据量很大的时候，人工标注起来是非常困难的。

先回忆一下非监督学习的定义： 获得训练的向量数据后没有标签的情况下，尝试找出其内部蕴含的一种关系的挖掘工作。而聚类，在感性的认知就是把特征形态相同或相近的聚合到一个概念类别下，把特征形态不同的分开。

聚类核心思想：通过对数据进行特征抽象和提取，转换为空间中的向量，通过计算每个“向量”的距离，从远近的角度去判定是否从属一个类别。其本质就是把现实世界中的特征，转化为数学的空间向量，这样我们就把现实的特征问题，转化成了一个可能通过数学方式解决的“向量计算问题”。当然在具体计算的时候还涉及到“特征提取及转换”的步骤（这也是深度学习的重要内容）

举个例子我这里有几个概念，“卡车”、“汽车”、“飞机”和“人”，他们每个都可以用空间中的向量去表示，那么“卡车”与“汽车”的距离就应该是最近的，其次是“飞机”，因为他们都属于“交通工具”这个大类，“汽车”与“人”代表的向量应该是空间中距离最远的，这样就是实现了现实世界概念特征的聚类。

4.机器学习的复盘

到这里已经把机器学习中最重要的概念和原理大体讲了一遍。其实发现并没有特别难的样子，主要在于理解机器学习的思想与基本原理。

其实机器学习（深度学习）都是手段，我们的目的是让计算机可以对现实物理世界比如图像、声音、视频等进行分类、识别甚至一定程度的理解和反馈。可计算机并不能像人类一样可以进行抽象思考，而机器学习的本质，就是把这些物理世界的特征进行数学化，转换成计算机可以听懂的语言，这样它就可以对这些“数学化的物理特征”进行计算了，只不过在我们看来，它好像是通过像人一样学习和思考似的。

对于如何判定机器学习的结果，其本质也是转换成数学中的误差问题进行求解，找到符合我们要求的误差，即认为机器学习完成。

最后我们记住一个公式： y=wx+b，看似简单的公式，后面在神经网络和深度学习中会经常用到，而且无论是学习方式的转换，还是神经网络结构的变换，其最终目的，简单理解的话都可以认为是建立损失函数Loss与w和b的一个映射关系，找到Loss符合我们要求的对应的w和b。（当然怎么找，这就非常复杂了，我也在学习中）