机器学习实战（1）——概览

目录

1 机器学习的定义

2 有关概念

3 机器学习的种类

4 机器学习的主要挑战

---

1 机器学习的定义

笼统定义：

机器学习研究如何让计算机不需要明确的程序也能具备学习能力。

——Arthur Samuel，1959

偏工程化定义：

一个计算机程序在完成任务T之后，获得经验E，其表现效果为P，如果任务T的性能表现，也就是用以衡量的P，随着E的增加，可以称其为学习。

——Tom Mitchell，1997

2 有关概念

1. 系统用来学习的示例，称为训练集，每个训练示例称为训练实例或者是训练样本。
2. 应用机器学习技术来挖掘海量数据，可以帮助我们发现那些此前并非立见端倪的模式。这个过程称为数据挖掘。
3. 机器学习中，属性是一种数据类型（如“年龄”），而特征取决于上下文，可能有多个含义，但是通常情况下，特征意味着一个属性加上其值（如“年龄=22岁”）。
4. 降维的目的是在不丢失太多信息的前提下简化数据。方法之一是将多个相关特征合并为一个。例如，汽车的里程与其使用年限存在很大的相关性，所以降维算法会将他们合并成一个代表汽车磨损的特征，这个过程称为特征提取。
5. 关联规则学习的目的是挖掘大量数据，发现属性之间的有趣联系。

3 机器学习的种类

• 是否在人类监督下训练：
• 监督式学习、无监督式学习、半监督式学习、强化学习
• 是否可以动态地进行增量学习：
• 在线学习、批量学习
• 是简单地将新的数据点和已知的数据点进行匹配，还是像科学家那样，对训练数据进行模式检测，然后建立一个预测模型：
• 基于实例的学习、基于模型的学习

•  监督式学习

 在监督式学习中，提供给算法的包含所需要解决方案的训练数据，称为标签或标记。

监督式学习的算法包含：

• K-近邻算法（k-Nearest Neighbors）
• 线性回归（Linear Regression）
• 逻辑回归（Logistic Regression）
• 支持向量机（Support Vector Machines, SVM）
• 决策树和随机森林（Decision Trees and Random Forest）
• 神经网络（Neural networks）

•  无监督式学习

无监督式学习的训练数据都是未经标记的，系统是在没有老师的情况下进行学习。

 无监督式学习的算法包含：

• 聚类算法：
• k-平均算法（k-Means）
• 分层聚类分析（Hierarchical Cluster Analysis, HCA）
• 最大期望算法（Expectation Maximization）
• 可视化和降维：
• 主成分分析（PCA）
• 核主成分分析（Kernel PCA）
• 局部线性嵌入（LLE）
• t-分布随机近临嵌入（t-SNE）
• 关联规则学习：
• Apriori
• Eclat

•  半监督式学习

有些算法可以处理部分标记的训练数据——通常是大量未标记数据和少量的标记数据。

•  基于实例的学习

系统先完全记住学习示例，然后通过某种相似度度量方式将其泛化到新的实例。

•  基于模型的学习

从一组示例集中实现泛化的另一种方法是构建这些示例的模型，然后使用该模型进行预测。 

4 机器学习的主要挑战

• 训练数据不具代表性

针对我们想要泛化的案例使用具有代表性的训练集，这一点至关重要。如果样本集太小，将会出现采样噪声（即非代表性数据被选中）；而即便是非常大的样本数据，如果采样方式欠妥，也同样可能导致非代表性数据集，即采样偏差。

• 训练数据过度拟合

过度拟合是指模型在训练数据上表现良好，但是泛化时却不尽人意。

解决方案：

1. 简化模型：可以选择较少参数的模型（如，选择线性模型而不是高阶多项式模型），可以减少训练数据中的属性数量，或约束模型。
2. 收集更多的训练数据。
3. 减少训练数据中的噪声（如，修复数据错误和消除异常值）。

通过约束模型使其简单，并降低过度拟合的风险，这个过程称为正则化。例如，我们定义的线性模型有两个参数，和。因此，该算法在拟合训练数据时,调整模型的自由度就等于2：它可以调整线的高度()和斜率()。如果我们强行让=0，那 么算法的自由度将会降为1，并且其拟合数据将变得更为艰难——它能做的全部就只将线上移或下移来尽量接近训练实例，最后极有可能停留在平均值附近。这确实太简单了！如果我们允许算法修改，但是我们强制它只能是很小的值,那么算法的自由度将位于1和2之间，这个模型将会比自由度为2的模型稍微简单一些，同时又比自由度为1的模型略微复杂一些。你需要在完美匹配数据和保持模型简单之间找到合适的平衡点, 从而确保模型能够较好地泛化。

应用正则化的程度可以通过一个超参数来控制。超参数是学习算法（不是模型）的参数，因此，它不受算法本身的影响。超参数必须在训练之前设置好，并且在训练期间保持不变。

•  训练数据拟合不足

与过度拟合相反。解决方案：

1. 选择带有更多参数、更强大的模型。
2. 特征工程。
3.  减少模型中的约束（如，减少正则化超参数）

学习笔记——《机器学习实战：基于Scikit-Learn和TensorFlow》