机器学习之期末复习

一、模拟退火

模拟退火算法最早的思想由Metropolis等（1953）提出。算法的目的是：（1）解决NP复杂性问题；（2）克服优化过程陷入局部极小；（3）克服初值依赖性。模拟退火算法的提出受到了自然界的启发 —— 物质总是趋于最低的能态，因为最低能态是最稳定的能态。自然界种，只要温度上升得足够高，冷却过程足够慢，则所有粒子最终会处于最低能态（最低的熵值）；模拟退火也是这样，只要初温足够高，温度下降足够慢，一定能达到全局最优点。
模拟退火可以看作是爬山法的改进，创新之处是能够以一定概率接受比原来差的状态，使得能够在局部最低点跳出去，有可能向着全局最优点移动。过程如下：

给定初温t=t0，随机产生初始状态s=s0，令k=0；
Repeat
     Repeat
          产生新状态sj=Generate(s)；
          if min{1,exp[-(C(sj)-C(s))/tk]}>=randrom[0,1]    
               s=sj;
     Until 抽样稳定准则满足；
     退温tk+1=update(tk) 并 令k=k+1；
Until 算法终止准则满足； 
输出算法搜索结果

模拟退火算法的核心是三函数、两准则：（1）状态产生函数；（2）状态接受函数；（3）温度更新函数；（4）抽样稳定准则；（5）算法终止准则
其中算法终止准则包括：（1）零度法；（2）循环总数控制法；（3）基于不改进规则的控制法；（4）接受概率控制法

二、聚类算法

1. K-means聚类

① 从D中随机取k个元素，作为k个簇的各自的中心。
② 分别计算剩下的元素到k个簇中心的相异度，将这些元素分别划归到相异度最低的簇。
③ 根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数。
④ 将D中全部元素按照新的中心重新聚类。
⑤ 重复第4步，直到聚类结果不再变化。
⑥ 将结果输出。

2. AGNES层次聚类

AGNES（自底向上凝聚算法）计算机编程实现： 
输入：包含n个对象的数据库，终止条件簇的数目k。 
输出：k个簇，达到终止条件规定簇数目。
将每个对象当成一个初始簇
REPEAT
    根据两个簇中最近的数据点找到最近的两个簇；
    合并两个簇，生成新的簇的集合；
UNTIL  达到定义的簇的数目

其中判断两个簇的相似度一共阐述了三种方法：（1）SingleLinkage；（2）CompleteLinkage；（3）Average-Linkage

3. DBSCSAN密度聚类

DBSCAN算法描述
输入：包含n个对象的数据库，半径ε，最少数目MinPts。
输出：所有生成的簇，达到密度要求。
1.  REPEAT
2.      从数据库中抽取一个未处理过的点；
3.      IF 抽出的点是核心点 THEN  找出所有从该点密度可达的对象，形成一个簇
4.      ELSE 抽出的点是边缘点(非核心对象)，跳出本次循环，寻找下一点；
5.  UNTIL 所有点都被处理；

三、决策树

1. ID3

2. 评价矩阵

3. 决策树剪枝

参考链接：https://blog.csdn.net/Vicky_xiduoduo/article/details/123497220

四、遗传算法

1. 顺序编码的合法性恢复

五、线性回归

六、覆盖算法

1. AQ15

2. 扩张矩阵算法AE

3. FCV算法

PE‘= PE； NE’= NE
step1： 建立PE的评价矩阵PEM和NE的评价矩阵NEM；
step2：For( i =0; i< N; i++)
            For(j=0; j<F; j++) 
                求PEM[i,j]/NEM[i,j]最小值；
Step3：在PE和NE中删除第j个属性的取值为i的例子；
Step4：如果NE不空，重复Step1；否则建立PE在NE'的扩张矩阵EM，寻找一个公共路径，即覆盖规则；
PE‘=PE’-PE； PE=PE‘；  NE=NE’；
重复上面步骤，直到PE’为空，即得到覆盖正例集PE，排斥反例集NE的所有覆盖规则

七、数据挖掘

1. APRIORI

直到无法继续产生候选集时，算法停止。
APRIORI算法分为两个阶段：（1）找频繁项集；（2）根据频繁集找关联规则

2. 频繁增长模式 （FP树）