机器学习实战

今天打开多看看到这本书免费阅读一天，遂记之！

关于本书

数据挖掘十大算法
- C4.5决策树、K-均值（K-mean）、支持向量机（SVM）、Apriori、最大期望算法（EM）、PageRank算法、AdaBoost算法、k-近邻算法（kNN）、朴素贝叶斯算法（NB）和分类回归树（CART）算法
本书结构
- 分类
- 利用回归预测数值型数据
- 无监督学习
- 其他工具
本书所有源代码均可在英文版出版商的网站上下载

第一部分：分类

第一章：机器学习基础

1.1 何谓机器学习

扯了半天，没像中文教材直接给结论！无非是讲了机器学习需要统计学来建立预测，在海量的信息中抽取有价值的信息，以及她很重要！

1.2 关键术语

特征
亦称属性
分类
机器学习的主要任务
算法训练
学习如何分类
训练集
为算法输入大量已分类数据，用于训练机器学习算法的数据样本集合
目标变量
机器学习算法的预测结果，在分类中是标称型，回归中是连续性
类别
分类中的目标变量，个数有限
测试数据
独立于训练数据的样本集

1.3 机器学习的主要任务

监督学习
分类和回归属于监督学习，因为他们需要知道目标变量的信息，即预测什么。
- 分类
- 回归
  预测数值型数据
无监督学习
数据没有类别信息，也不会给定目标值。可以减少数据特征的维度，以便我们可以使用二维或三维图形更加直观地展示数据信息
- 聚类
  数据集合分成由类似的对象组成的多个类的过程
- 密度估计
  寻找描述数据统计值的过程

监督学习的用途

k-近邻算法：线性回归
朴素贝叶斯算法：局部加权线性回归、
支持向量机：Ridge回归
决策树：Lasso最小回归系数估计

无监督学习的用途

K-均值：最大期望算法
DBSCAN：Parzen窗设计

1.4 如何选择合适的算法

使用机器学习的目的

监督学习
预测目标变量的值
- 分类算法
  目标变量是离散型
- 回归算法
  连续数值
无监督学习
不需要预测值
- 聚类算法
  仅需要将数据划为离散的组
- 密度估计算法
  同时要需要估计数据与组的相似度
需要分析或者收集的数据
- 特征值离散还是连续
- 特征值是否存在数据缺失，及其缘由
- 是否存在异常值
- 某个特征的频率

一般并不存在最好的算法或者可以给出最好结果的算法，同时还要尝试不同算法的执行效果。对于所选的每种算法，都可以使用其他的机器学习技术来改进其性能。

1.5 开发机器学习应用程序的步骤

收集数据

爬虫
API
实测，等
准备输入数据
统一数据格式，特定算法需要特定的数据格式
分析输入数据
确保没有垃圾数据，数据足够可信可跳过
- 是否空值
- 是否数据异常
- 是否能识别出模式
- 图形化展示
训练算法
抽取知识或信息，无监督学习不需要目标值，不存在此步骤
测试算法
对于监督学习必须用已知目标变量值，对于无监督学习采用其他手段来检验算法的成功率
使用算法

第二章 K-近邻算法

2.1 k-近邻算法概述

kNN，测量不同特征值之间的距离来进行分类。

优点：精度高，对异常值不敏感，无数据输入假定
缺点：计算复杂度，空间复杂度高；无法给出数据的内在含义
适用：数值型，标称型

工作原理：
存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，通常k是不大于20的整数。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。

第三章决策树

3.1 决策树概述

决策树的一个重要任务是为了数据中所蕴含的知识信息，因此决策树可以使用不熟悉的数据集合，并从中提取出一系列规则，这个过程就是机器学习过程。

流程图形式的决策树

优点：计算不复杂，结果易于理解，对中间值缺失不敏感，可以处理不相关的特征数据
缺点：可能会产生过度匹配
适用：数值型，标称型

3.1 决策树的构造

评估特征，找出处于最顶层的根特征，即在分类过程中处决定性分类。决策树的节点就是分类特征，由顶至下进行分类分类判断，知道所有的数据都到对应的分类中。数据结构中的各种树就是分类。

划分数据集的原则：将无序数据变得有序

信息增益（Information Gain）：划分数据前后信息的变化

熵（Entropy）：信息的期望值，集合信息的量度，值越高混合的数据越多

基尼不纯度（Gini Impurity）：集合无序的度量

第四章基于概论论的分类方法：朴素贝叶斯

4.1 基于贝叶斯决策理论的分类方法

优点：在数据较少的情况下仍然有效，可以处理多类别问题。
缺点：对于输入数据的准备方式较为敏感。
适用：标称型数据。

核心：选择具有最高概率的决策

贝叶斯定理

Logistic 回归

优点：计算代价不高，易于理解和实现。
缺点：容易欠拟合，分类精度可能不高。
适用：数值型和标称型数据。

能接受所有的输入然后预测出类别，需要无突变的单位阶跃函数，Sigmoid函数

Sigmoid函数

为了实现Logistic回归分类器，我们可以在每个特征上都乘以一个回归系数，然后把所有的结果值相加，将这个总和代入Sigmoid函数中，进而得到一个范围在0~1之间的数值。任何大于0.5的数据被分入1类，小于0.5即被归入0类。所以，Logistic回归也可以被看成是一种概率估计。

Sigmoid函数的输入记为z，由下面公式得出：

Paste_Image.png

如果采用向量的写法，上述公式可以写成z=wx，它表示将这两个数值向量对应元素相乘然后全部加起来即得到z值。其中的向量x是分类器的输入数据，向量w也就是我们要找到的最佳参数（系数），从而使得分类器尽可能地精确。为了寻找该最佳参数，需要用到最优化理论的一些知识。

梯度上升法

要找到某函数的最大值，最好的方法是沿着该函数的梯度方向探寻。如果梯度记为∇，则函数f(x,y)的梯度由下式表示：

函数f(x,y)的梯度

Logistic回归的目的是寻找一个非线性函数Sigmoid的最佳拟合参数，求解过程可以由最优化算法来完成。在最优化算法中，最常用的就是梯度上升算法，而梯度上升算法又可以简化为随机梯度上升算法。随机梯度上升算法与梯度上升算法的效果相当，但占用更少的计算资源。此外，随机梯度上升是一个在线算法，它可以在新数据到来时就完成参数更新，而不需要重新读取整个数据集来进行批处理运算。

支持向量机

支持向量机（Support Vector Machines，SVM）

最流行的一种实现，即序列最小优化（Sequential Minimal Optimization，SMO）算法。

优点：泛化错误率低，计算开销不大，结果易解释。
缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。
适用：数值型和标称型数据。

很容易就可以将两组数据点分开，称为线性可分（linearly separable）数据

将数据集分隔开来的，分隔超平面（separatinghyperplane）

找到离分隔超平面最近的点，确保它们离分隔面的距离尽可能远。这里点到分隔面的距离被称为间隔（margin）。

点A到分隔平面的距离就是该点到分隔面的法线长度