机器学习之路一：线性模型、非线性模型、神经网络

机器学习之路

一：线性模型、非线性模型、神经网络

二：神经网络的激活函数与损失函数

三：神经网络实现分类与回归

四：神经网络的发展---深度学习

五：卷积神经网络、图片分类与文本分类

六：基于卷积神经网络的图片、文本分类文献阅读

七：递归神经网络、时间序列预测

八：迁移学习、模型微调

九：基于递归神经网络和迁移学习的文献阅读

十：论文写作指导

 

一:  线性模型、非线性模型、神经网络

机器学习做什么

 

机器学习流程

 

机器学习原理

1、输入x：一般以m表示输入样本数量，n表示每个样本具有的属性个数。

：表示第i个样本的x向量

：表示i个样本的第j个维度的值

 

2、输出y：目标值/标签值。

 

3、假设函数（Hypothesis）：

 

4、需要求解的参数（Parameters）：

 

5、损失函数（Loss/Error function）：单个样本的误差。

 

6、代价函数（Cost function）：训练集所有样本损失函数之和的平均值。

为的预测值； Goal：

 

7、目标函数（Objective function）：代价函数加上正则项

 

8、鲁棒性（Robustness）：表示系统对特性或参数扰动的不敏感性，即系统的健壮性、稳定性，当存在部分异常数据时算法也会很好的拟合数据集。

 

9、拟合：构建的算法符合给定的数据集的特征程度。

欠拟合（Underfitting）：high bias 算法不太符合给定数据集的特征。

过拟合（Overfitting）：high variance 算法太符合给定数据集的特征，但对新数据集特征的拟合程度差。

 

机器学习实例

一个完整的端到端机器学习项目 实例分析

 

怎样区分线性和非线性

1、线性linear指量与量之间按比例、成直线的关系，在数学上可以理解为一阶导数为常数的函数；

　  非线性non-linear则指不按比例、不成直线的关系，一阶导数不为常数。

2、线性的可以认为是1次曲线，比如y=ax+b ，即成一条直线；

　  非线性的可以认为是2次以上的曲线，比如y=ax^2+bx+c，（x^2是x的2次方），即不为直线的即可。

3、两个变量之间的关系是一次函数关系的——图象是直线，这样的两个变量之间的关系就是“线性关系”；

　  如果不是一次函数关系的——图象不是直线，就是“非线性关系。

4、“线性”与“非线性”，常用于区别函数 y = f(x) 对自变量x的依赖关系。

　 线性函数即一次函数，其图像为一条直线。其它函数则为非线性函数，其图像不是直线。

 

线性模型和非线性模型区别

　　1、线性模型可以是用曲线拟合样本，但是分类的决策边界一定是直线的，例如logistics模型。

　　2、区分是否为线性模型，主要是看一个乘法式子中自变量x前的系数w，如果w只影响一个x，那么此模型为线性模型。或者判断决策边界是否是线性的。

　　3、举例：

　         此模型画出y和x是曲线关系，但是它是线性模型，因为x1*w1中可以观察到x1只被一个w1影响

 　　    此模型是非线性模型，观察到x1不仅仅被参数w1影响，还被w5影响，如果自变量x被两个以上的参数影响，那么此模型是非线性的！

 

　　4、其实最简单判别一个模型是否为线性的，只需要判别决策边界是否是直线，也就是是否能用一条直线来划分。

　　举例：

       神经网络是非线性，虽然神经网络的每个节点是一个logistics模型，但是组合起来就是一个非线性模型。

　　此处我们仅仅考虑三层神经网络

        第一层的表达式：

 

　　第二层的表达式：

　　将第一层的表达式带入第二层表达式中，可以观察到x1变量不仅仅被w1影响还被k2影响，所以此模型不是一个线性模型，是个非线性模型。

 

线性模型与非线性模型图像

 

常见的线性分类器有：LR, 贝叶斯分类，单层感知机、线性回归

常见的非线性分类器：决策树、RF、GBDT、多层感知机SVM两种都有(看线性核还是高斯核)

 

普通神经网络与其他机器学习方法的效果比较

对于结构化的数值数据来说，普通神经网络没有SVM、随机森林、xgboost、lightGBM效果好，因为数据特征简单、人为加了一些更有效的特征（数值数据特征、文本TF-IDF特征、图像SIFT特征）

 

为什么要学习神经网络

深度学习（深度神经网络）

对于非结构化数据（文本、图像），人为创建特征困难，没有了创建好的特征，其他机器学习方法也没办法取得好的效果

深度神经网络可以实现特征的自动提取—这是它最大的优势

神经网络原理

小白都能看懂的神经网络教程

 

激活函数

常见的传统激活函数主要有两个：sigmoid和tanh。

sigmoid函数

它是使用范围最广的一类激活函数，具有指数函数形状，在物理上最接近神经元。它的输出范围在（0,1）之间，可以被表示成概率，或者用于数据的归一化。但是它有两个严重的缺陷：      

1. 软饱和性——导数 f'(x)=f(x)(1-f(x))，当x趋于无穷时，f(x)的两侧导数逐渐趋于0。在后向传递时，sigmoid向下传递的梯度包含了一个f'(x)因子，因此，一旦落入饱和区f'(x)就变得接近于0，导致了向后传递的梯度也非常小。此时，网络参数很难得到有效训练，这种现象被称为梯度消失。一般在5层以内就会产生梯度消失的现象。       

2. sigmoid函数的输出均大于0，这就使得输出不是0均值，这称为偏置现象。这将会导致后一层的神经元将得到上一层输出的非0均值的信号作为输入。

 

tanh函数

tanh函数与sigmoid函数相比，输出均值为0，这就使得其收敛速度要比sigmoid快，从而可以减少迭代次数。    缺点就是同样具有软饱和性，会造成梯度消失。针对sigmoid和tanh的饱和性，产生了ReLU函数。

 

ReLU函数

ReLU全称为Rectified Linear Units，可以翻译成线性整流单元或者修正线性单元。   

它在x>0时不存在饱和问题，从而使保持梯度不衰减，从而解决了梯度消失问题。这让我们能够直接以监督的方式训练深度神经网络，而无需依赖无监督的逐层预训练。然而，随着训练的推进，部分输入会落入硬饱和区，导致对应权重无法更新，这种现象称为“神经元死亡”    与sigmoid类似，ReLU的输出均值也大于0，所以偏移现象和神经元死亡共同影响网络的收敛性。

 

Leaky-Relu函数

为了避免ReLU在x<0时的神经元死亡现象，添加了一个参数。

 

ELU函数

它结合了sigmoid和ReLU函数，左侧软饱和，右侧无饱和。    右侧线性部分使得ELU能缓解梯度消失，而左侧软饱和能让对ELU对输入变化或噪声更鲁棒。ELU的输出均值接近于0，所以收敛速度更快。

 

以下解释更详细

https://www.cnblogs.com/lliuye/p/9486500.html

https://www.jianshu.com/p/dc4e53fc73a0 

https://blog.csdn.net/c123_sensing/article/details/81531519

 

梯度消失和梯度爆炸

详解机器学习中的梯度消失、爆炸原因及其解决方法

https://blog.csdn.net/qq_25737169/article/details/78847691

 

损失函数

神经网络Loss损失函数总结

https://blog.csdn.net/willduan1/article/details/73694826