机器学习——01基础知识

机器学习——01基础知识

github地址：https://github.com/yijunquan-afk/machine-learning

参考资料

[1] 庞善民.西安交通大学机器学习导论2022春PPT

[2] 周志华. 机器学习.北京:清华大学出版社,2016

[3] AIlearning

一、机器学习算法的应用

目前，机器学习算法在自然语言处理、无人驾驶、复杂病情诊断还没有超越人类。棋牌、语音识别、人脸识别已经超越了人类

深度学习神经网络并不是人工智能的终极解决方案

数据驱动，需要大量训练样本才能达到满意精度

无法自适应环境与任务变化

一种算法只做一件事，无法做到多面手

需要大量手工调试与试错

成本高

鲁棒性较差

二、什么是机器学习算法

定义：Machine learning, a branch of artificial intelligence, is about the construction and study of systems that can learn from data

机器学习是人工智能的一个分支，是关于构建和研究可以从数据中学习的系统

机器学习算法的一般应用框架

1️⃣ 定义需要实现的功能。

2️⃣ 采集足够多的正例与负例样本: $T=\{x_i,y_i{\}}_I^N$

3️⃣ 利用训练样本$T=\{x_i,y_i{\}}_I^N$ 通过迭代训练，得到模型

$y=f(x,\Theta )$
4️⃣ 如果标签y∈{-1, +1}是离散的，这就是一个分类问题；如果y，是连续的，这就是一个回归问题

模型：模型是用来描述某个特定现象或事务的

归纳模型：由一个数学公式构成，每个变量都有明确物理意义

预测模型：由一个万能函数构成，每个参数一般不具备任何物理意义，一般只能模拟或预测目标系统的输出

直推模型：没有明确的模型或函数，但是可计算出模型在特定点的值

每个数据都是对目标世界的取样，当所在世界的取样足够全面和密集时，就获得了对这个世界的完整描述

	Inductive inference 归纳模型	Predictive inference 预期模型	Transdictive inference 直推模型
目标	发现事物的真正规律	发现预测规则	评估未知预测函数在某些点的值
复杂度	比较困难	相对容易	最容易
适用性	少数变量就能描述的简单世界	需要多个变量描述的复杂世界	需要多个变量描述的复杂世界
计算成本	低	高	最高
泛化能力	低	高	最高

传统机器学习和深度学习的比较

本质完全相同：都是利用一个万能函数拟合训练样本

区别在于:深度学习神经网络是拥有极高自由度的万能函数，能够很好地拟合任意复杂度的分布。

深度学习关键词:数据驱动，越多的数据做训练，就能达到越高的精度

三、机器学习算法的分类

非监督学习与监督学习

非监督学习：不需要训练样本的机器学习算法，如数据聚类算法。

监督学习：需要训练样本的机器学习算法,如大多数分类、回归算法。

生成模型与判别模型(generative vs. discriminative）

生成模型计算数据x与标签y的联合概率P(x,y)，用下列公式计算分类概率：P(y|x) = P(x,y)/P(x)

K-means

判别模型直接计算分类概率P(y|x)

GMM

简单数据模型与复杂数据模型

简单数据模型：被用来处理相互独立的简单数据

复杂数据模型：被用来处理具有时空关联性的复杂数据：语音识别

四、机器学习算法的重要构成要素

三个重要方面

1️⃣ Structural model:我们选择哪一类函数$f(x,\Theta )$来建立模型?

2️⃣ Error model:我们选择哪一类损失函数（lossfunction）$L(y,f(x,\Theta ))$来做训练?损失函数相当于为模型的选择制定考核标准。

3️⃣ Optimization procedure:我们选择哪一种数值计算方法来获取最优模型$f^{\ast }(x,\Theta )$?

五、机器学习组成

主要任务

• 分类（classification）: 将实例数据划分到合适的类别中。
  • 应用实例: 判断网站是否被黑客入侵（二分类 ），手写数字的自动识别（多分类）
• 回归（regression）: 主要用于预测数值型数据。
  • 应用实例: 股票价格波动的预测，房屋价格的预测等。

监督学习（supervised learning）

• 必须确定目标变量的值，以便机器学习算法可以发现特征和目标变量之间的关系。在监督学习中，给定一组数据，我们知道正确的输出结果应该是什么样子，并且知道在输入和输出之间有着一个特定的关系。 (包括: 分类和回归)
• 样本集: 训练数据 + 测试数据
  • 训练样本 = 特征(feature) + 目标变量(label: 分类-离散值/回归-连续值)
  • 特征通常是训练样本集的列，它们是独立测量得到的。
  • 目标变量: 目标变量是机器学习预测算法的测试结果。
    • 在分类算法中目标变量的类型通常是标称型(如: 真与假)，而在回归算法中通常是连续型(如: 1~100)。
• 监督学习需要注意的问题:
  • 偏置方差权衡
  • 功能的复杂性和数量的训练数据
  • 输入空间的维数
  • 噪声中的输出值
• 知识表示
  • 可以采用规则集的形式【例如: 数学成绩大于90分为优秀】
  • 可以采用概率分布的形式【例如: 通过统计分布发现，90%的同学数学成绩，在70分以下，那么大于70分定为优秀】
  • 可以使用训练样本集中的一个实例【例如: 通过样本集合，我们训练出一个模型实例，得出 年轻，数学成绩中高等，谈吐优雅，我们认为是优秀】

非监督学习（unsupervised learning）

• 在机器学习，无监督学习的问题是，在未加标签的数据中，试图找到隐藏的结构。因为提供给学习者的实例是未标记的，因此没有错误或报酬信号来评估潜在的解决方案。
• 无监督学习是密切相关的统计数据密度估计的问题。然而无监督学习还包括寻求，总结和解释数据的主要特点等诸多技术。在无监督学习使用的许多方法是基于用于处理数据的数据挖掘方法。
• 数据没有类别信息，也不会给定目标值。
• 非监督学习包括的类型:
  • 聚类: 在无监督学习中，将数据集分成由类似的对象组成多个类的过程称为聚类。
  • 密度估计: 通过样本分布的紧密程度，来估计与分组的相似性。
  • 此外，无监督学习还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。

强化学习

这个算法可以训练程序做出某一决定。程序在某一情况下尝试所有的可能行动，记录不同行动的结果并试着找出最好的一次尝试来做决定。 属于这一类算法的有马尔可夫决策过程。

算法汇总

六、机器学习使用

选择算法需要考虑的两个问题

1. 算法场景
   • 预测明天是否下雨，因为可以用历史的天气情况做预测，所以选择监督学习算法
   • 给一群陌生的人进行分组，但是我们并没有这些人的类别信息，所以选择无监督学习算法、通过他们身高、体重等特征进行处理。
2. 需要收集或分析的数据是什么

举例

开发流程

1. 收集数据: 收集样本数据
2. 准备数据: 注意数据的格式
3. 分析数据: 为了确保数据集中没有垃圾数据；
   • 如果是算法可以处理的数据格式或可信任的数据源，则可以跳过该步骤；
   • 另外该步骤需要人工干预，会降低自动化系统的价值。
4. 训练算法: [机器学习算法核心]如果使用无监督学习算法，由于不存在目标变量值，则可以跳过该步骤
5. 测试算法: [机器学习算法核心]评估算法效果
6. 使用算法: 将机器学习算法转为应用程序

七、补充知识

Learning rate —— 学习率，通俗地理解，可以理解为步长，步子大了，很容易错过最佳结果。就是本来目标尽在咫尺，可是因为我迈的步子很大，却一下子走过了。步子小了呢，就是同样的距离，我却要走很多很多步，这样导致训练的耗时费力还不讨好。

专业术语

• 模型（model）: 计算机层面的认知
• 学习算法（learning algorithm），从数据中产生模型的方法
• 数据集（data set）: 一组记录的合集
• 示例（instance）: 对于某个对象的描述
• 样本（sample）: 也叫示例
• 属性（attribute）: 对象的某方面表现或特征
• 特征（feature）: 同属性
• 属性值（attribute value）: 属性上的取值
• 属性空间（attribute space）: 属性张成的空间
• 样本空间/输入空间（samplespace）: 同属性空间
• 特征向量（feature vector）: 在属性空间里每个点对应一个坐标向量，把一个示例称作特征向量
• 维数（dimensionality）: 描述样本参数的个数（也就是空间是几维的）
• 学习（learning）/训练（training）: 从数据中学得模型
• 训练数据（training data）: 训练过程中用到的数据
• 训练样本（training sample）:训练用到的每个样本
• 训练集（training set）: 训练样本组成的集合
• 假设（hypothesis）: 学习模型对应了关于数据的某种潜在规则
• 真相（ground-truth）:真正存在的潜在规律
• 学习器（learner）: 模型的另一种叫法，把学习算法在给定数据和参数空间的实例化
• 预测（prediction）: 判断一个东西的属性
• 标记（label）: 关于示例的结果信息，比如我是一个“好人”。
• 样例（example）: 拥有标记的示例
• 标记空间/输出空间（label space）: 所有标记的集合
• 分类（classification）: 预测是离散值，比如把人分为好人和坏人之类的学习任务
• 回归（regression）: 预测值是连续值，比如你的好人程度达到了0.9，0.6之类的
• 二分类（binary classification）: 只涉及两个类别的分类任务
• 正类（positive class）: 二分类里的一个
• 反类（negative class）: 二分类里的另外一个
• 多分类（multi-class classification）: 涉及多个类别的分类
• 测试（testing）: 学习到模型之后对样本进行预测的过程
• 测试样本（testing sample）: 被预测的样本
• 聚类（clustering）: 把训练集中的对象分为若干组
• 簇（cluster）: 每一个组叫簇
• 监督学习（supervised learning）: 典范–分类和回归
• 无监督学习（unsupervised learning）: 典范–聚类
• 未见示例（unseen instance）: “新样本“，没训练过的样本
• 泛化（generalization）能力: 学得的模型适用于新样本的能力
• 分布（distribution）: 样本空间的全体样本服从的一种规律
• 独立同分布（independent and identically distributed，简称i,i,d.）:获得的每个样本都是独立地从这个分布上采样获得的。

数据集的划分

• 训练集（Training set） —— 学习样本数据集，通过匹配一些参数来建立一个模型，主要用来训练模型。类比考研前做的解题大全。
• 验证集（validation set） —— 对学习出来的模型，调整模型的参数，如在神经网络中选择隐藏单元数。验证集还用来确定网络结构或者控制模型复杂程度的参数。类比 考研之前做的模拟考试。
• 测试集（Test set） —— 测试训练好的模型的分辨能力。类比 考研。这次真的是一考定终身。