机器学习（2） ---- 分类问题

机器学习（2） —- 分类问题

---

个人博客，欢迎参观：http://www.ioqian.top/

---

1.决策树（Decision Tree）

参考博客： https://www.cnblogs.com/leoo2sk/archive/2010/09/19/decision-tree.html

  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。

个人总结（不能保证正确），一组数据的特征用向量表示，比如[x1,x2,x3,x4]有4个特征，先通过x1特征分为2类，然后再接着使用x2特征分类，直到终止条件或特征使用完。可以看成把特征串行起来使用。根节点使用什么特征？什么时候终止？

2.随机森林（Random Forest）

参考博客：
http://blog.csdn.net/mao_xiao_feng/article/details/52728164
https://www.cnblogs.com/maybe2030/p/4585705.html

   随机森林是为了解决决策树容易过拟合的缺点(见上述参考博客)，采用了多个决策树的投票机制来改善决策树，我们假设随机森林使用了m棵决策树，那么就需要产生m个一定数量的样本集来训练每一棵树，如果用全样本去训练m棵决策树显然是不可取的，全样本训练忽视了局部样本的规律，对于模型的泛化能力是有害的。产生n个样本的方法采用Bootstraping法，这是一种有放回的抽样方法，产生n个样本而最终结果采用Bagging的策略来获得，即多数投票机制

随机森林的生成方法：
1.从样本集中通过重采样的方式产生n个样本
2.假设样本特征数目为a，对n个样本选择a中的k个特征，用建立决策树的方式获得最佳分割点
3.重复m次，产生m棵决策树
4.多数投票机制来进行预测
（需要注意的一点是，这里m是指循环的次数，n是指样本的数目，n个样本构成训练的样本集，而m次循环中又会产生m个这样的样本集）

随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法。随机森林的名称中有两个关键词，一个是“随机”，一个就是“森林”。“森林”我们很好理解，一棵叫做树，那么成百上千棵就可以叫做森林了，这样的比喻还是很贴切的，其实这也是随机森林的主要思想–集成思想的体现。
其实从直观角度来解释，每棵决策树都是一个分类器（假设现在针对的是分类问题），那么对于一个输入样本，N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出，这就是一种最简单的 Bagging 思想。

3.k-近邻，KNN（K-nearest neighbor classification）

参考博客：
https://www.cnblogs.com/ybjourney/p/4702562.html

  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

如下图，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形类

算法步骤：
1）计算测试数据与各个训练数据之间的距离；

2）按照距离的递增关系进行排序；
3）选取距离最小的K个点；
4）确定前K个点所在类别的出现频率；
5）返回前K个点中出现频率最高的类别作为测试数据的预测分类。

4. Adaboost

参考博客： http://blog.csdn.net/haidao2009/article/details/7514787

  AdaBoost 是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器，即弱分类器，然后把这些弱分类器集合起来，构造一个更强的最终分类器。

5.SVM support vector machine）

参考博客： http://blog.csdn.net/macyang/article/details/38782399/

  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

6.朴素贝叶斯 (Naive Bayesian classification)

参考博客： http://blog.csdn.net/amds123/article/details/70173402

  贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naïve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快。
既然是朴素贝叶斯分类算法，它的核心算法又是什么呢？
是下面这个贝叶斯公式

7.总结

参考博客： http://blog.csdn.net/shuke1991/article/details/52056382

---

决策树，svm，knn，k-means源码下载（python实现，基本上都使用第三方库）
https://gitee.com/qianlilo/Machine-Learning-simple-arithmetic#machine-learning-simple-arithmetic

---