监督学习算法

• 本文首发自公众号：RAIS，点击直接关注。

前言

本系列文章为 《Deep Learning》 读书笔记，可以参看原书一起阅读，效果更佳。由于各平台 Markdown 解析差异，有些公式显示效果不好，请到我 个人维护网站 查看。

监督学习算法

监督学习算法的定义是，给定一组输入 x 和输出 y，学习如何将其关联起来，现在的大部分情况都是监督学习算法的范畴。

逻辑回归

很多的监督学习算法是基于估计概率分 布P(y|x) 的，假设参数服从高斯分布，我们可以使用最大似然估计找到对于有参分布族 P(y|x;θ) 最好的参数向量 θ，即用最大似然估计得到目标函数，优化这个目标函数。线性回归对应于高斯分布分布族，通过定义一族不同的概率分布，可将线性回归扩展到分类情况中。

具体的做法就是将线性函数的输出使用 sigmoid 函数（就是前文说的那个样子像 S 型）将其压缩到 (0, 1) 空间内，这就叫做逻辑回归。注意这个逻辑回归不是回归，而是用来解决分类问题。当然，线性回归也可以推广为 Softmax 回归，不是这里的重点。

支持向量机

支持向量机是监督学习中关于分类与回归问题中重要的算法。与逻辑回归类似，这个模型也是基于线性函数的，不过输出有所不同，不输出概率，而是输出类别，为正正类，为负负类。

核技巧，其实这是一个数学上的概念，用来增加维度区分不同数据，如下图，区分下图中左侧的四个点，用的方法是增加一个维度，然后用平面分割，这与用一条曲线去分割没什么本质的区别，来自 视频：

上面这样做也会有一个问题，在数据量大且维数很多的情况下，会导致计算量急剧增大，这不好。核函数就是用来解决这个问题的，核函数只是用来计算映射到高维空间之后的内积的一种简便方法，隐含着也从低纬到高维的映射，但其计算量可控，降低计算的复杂度，甚至把不可能的计算变为可能，可以将低纬空间内线性不可分的两类点变成线性可分的。

机器学习中最常用的核函数是高斯核（也称径向基函数），N(x;μ,∑) 是标准正态分布，能够把原始特征映射到无穷维，能够比较 u 和 v 的相似度，映射到 0 和 1：

$$k(u,v)=N(u-v;0,{\sigma }^{2}I)$$

其他监督学习算法

临近回归：前面介绍过最近临近回归，这也是一种非概率监督学习算法。K-最近邻回归是一种可以用于分类或回归的算法，K-最近邻算法就是从训练集（根本就没训练，感觉叫训练集都不太准确，应该叫样本集）中找到与测试输入的点最近的 K 个点，然后采用少数服从多数的思想，谁多就听谁的（分类），或者求平均（回归），但是这在 K 取值不同的时候，得到的结果可能不同，因此 K 的选择是比较重要的。这个方法的特点是训练集可以趋近于无穷大，在比较好的情况下回收敛到贝叶斯错误率。这个方法需要训练集较大，训练集较少的情况下泛化程度不够好；且其由于几乎没有训练的过程，因此也不能学习出特征中哪些是更有识别力的，无法找到关键属性。

决策树：决策树会将输入空间分成不重叠的子区域，叶节点和输出区域一一对应。构建决策树前需要根据信息增益的方法进行特征选择，然后生成决策树，为防止过拟合可能还需要进行剪枝。

总结

本文介绍了几种最常见的监督学习算法。

• 本文首发自公众号：RAIS，点击直接关注。