机器学习名称解释

目录

监督学习

非监督学习

半监督学习

强化学习

假设空间

模型

策略

1.经验风险函数：

常用的损失函数（代价函数）：

2.结构风险函数：

算法：

训练误差：

测试误差：

过拟合：

正则化：

Lp范数

泛化能力

泛化误差

泛化误差上界

模型评估方法

留出法

分层采样：保留类别比例的采样方法

交叉验证

1.S折交叉验证

2.留一交叉验证

3.留存交叉验证

自助法

生成模型 

判别模型

分类问题

标注问题

回归问题

聚类

错误率

精度

查准率(精确率)、查全率(召回率)、F1

F1度量

Fβ度量

ROC与AUC

偏差与方差

---

 

监督学习

利用已知类别或结果的样本对模型进行学习的过程

学习过程中需要注意：权衡偏差和方差

非监督学习

半监督学习

强化学习

 

假设空间

输入空间到输出空间的映射的集合

模型属于假设空间

学习的目的在于找到最好的映射，即模型

 

统计学习三要素：模型、策略、算法 

模型

指根据数据学习出来的模型，如贝叶斯的条件概率、决策树、线性回归的的系数等

 

策略

指学习的准则，即选择使用的经验风险函数或结构风险函数(一般通过选择的损失函数求和计算出来)

1.经验风险函数：

指模型f关于训练数据集的平均损失，其平均损失由选择的损失函数得到

期望损失函数公式：

因为x，y联合分布无法直接得出，所以使用经验风险近似期望损失

L代表所选择的损失函数

常用的损失函数（代价函数）：

 

2.结构风险函数：

防止出现过拟合情况，引入正则化项的经验风险函数

结构风险函数公式：

为正则化项，一般为系数的L1范数(会使某系数为0，使得特征更加稀疏)

 

策略将模型的求解转化为求解最优解的问题，也就是

求解最优化问题

 

算法：

指用于求解最优化问题的算法

一般有：坐标下降、梯度下降、拟牛顿法等

 

训练误差：

模型关于训练数据集的平均损失，也就是期望损失函数

 

测试误差：

模型关于测试集的平均损失（真实结果-根据模型计算出来的结果，的平均值）

测试误差小的模型的性能更好，说明模型泛化能力更强

 

过拟合：

将训练集特有的特征，学习成数据集整体的特征

学习时选择模型所包含的参数过多（训练模型使用的特征过多）

对已知数据预测的很好，未知数据预测的很差

M为系数的数量，在特征和系数一对一时亦为特征数量

训练误差、测试误差与模型复杂度之间的关系

 

正则化：

详细解释
一般形式：

经验风险函数+正则化项，lamade大于等于0用于调整二者之间的关系

正则化项一般使用Lp范数，一般使用模型参数（线性回归中x的系数）的L1范数和L2范数

上述提到的范数指p-范数

 

Lp范数

若给定 

那么

L1范数：║x║1=│x1│+│x2│+…+│xn│

L2范数：║x║2=（│x1│2+│x2│2+…+│xn│2）1/2

L∞范数：║x║∞=max（│x1│，│x2│，…，│xn│）

 

泛化能力

指由该方法学习到的模型对未知数据的预测能力

泛化误差

泛化误差实际上就是所学习到的模型的期望风险

泛化误差上界

学习方法的泛化能力分析往往是通过研究泛化误差的概率上界确定 

性质：

1.是样本容量的函数，样本容量增加时，泛化上界趋于0

2.是假设空间的函数，假设空间容量越大(输入到输出映射的集合大)，模型越难学(模型是映射集合中最好的那个)，泛化误差上界越大

 

模型评估方法

无法直接获得泛化误差，一般使用测试误差作为泛化误差的近似

 

留出法

将数据集划分成训练集和测试集，划分时要保持数据划分的一致性。

分层采样：保留类别比例的采样方法

分层采样容易划分出不同的训练集和测试集(数据不同，比如前一百个样本和后一百个样本)

需要进行若干次随机划分取平均值

 

交叉验证

1.S折交叉验证

缺点：估计偏差

使用分层采样将样本集随机分成S个互不相交、大小相似的子集

使用S-1的数据进行模型的训练，使用剩下的数据集进行测试，这一过程有S种组合

将S种组合全部测评，最终结果为S次测试的平均值

 

S一般取5、10、20

以S=10为例

2.留一交叉验证

优点：评估结果准确

缺点：计算复杂度高

S折交叉验证的特殊情况，S与样本数量相等

若数据集中样本数量为N，则S=N，使用N-1个样本进行训练，留下一个样本进行测试

3.留存交叉验证

随机选择样本集的一部分作为训练集，剩余部分作为测试集

 

自助法

可应用于数据集较小、难以有效的划分训练集/测试集时，常用于集成训练

缺点：会引入估计偏差，所有训练集大时不适用

以自助采样法（有放回采样）为基础

每次随机从样本集中选择一个样本，拷贝进新的数据集D中，而后将样本放回原始样本集，使得其可以在下次采样时仍然可能被选择

重复m次，得到包含m个样本的数据集D

m次采样中样本不被选择的概率为：

生成模型 

由生成方法所学习到的模型

通过数据学习x,y的联合概率分布P(X,Y)，继而求出条件概率分布P(Y|X)作为预测的模型

生成法关心的是输入x产生输出y的生成关心

如：朴素贝叶斯、隐马尔可夫模型

优点：收敛速度快，存在隐变量的时候仍然可以使用

判别模型

由判别方法所学习到的模型

由数据直接学习决策函数f(X)或条件概率P(Y|X)作为预测的模型

判别法关心的时对给定的输入x，应该预测什么样的y

如：k近邻、感知机、决策树、逻辑斯特回归、最大熵模型、支持向量机、提升方法、条件随机场

优点：准确率高、简化学习问题

 

分类问题

在监督学习中，输出变量y取有限个离散值时，预测问题为分类问题。

输入变量可以时离散的也可以时连续的

如：k近邻、感知机、决策树、逻辑斯特回归、支持向量机、朴素贝叶斯

标注问题

输入是一个观测序列，输出是一个标记序列或状态序列

如：隐马尔科夫模型、条件随机场

回归问题

预测输入x和输出y之间的关系（映射）

回归问题的学习等价于函数拟合：选择一条函数曲线，使其很好的拟合已知数据，很好的预测未知数据

常用的损失函数为平方损失函数

聚类

 

错误率

分类错误的样本占样本总数的比例

精度

分类正确的样本占样本总数的比例

查准率(精确率)、查全率(召回率)、F1

对于二分类而言，将类别分为正例和反例

预测结果统计为4种分别为：

TP：将正例预测为正例数

FN：将正例预测为反例数

FP：将反例预测为正例数

TN：将反例预测为反例数

 

简言之，总结分为两位

第一位预测的结果是否正确：T代表正确，F代表错误

第二位表示模型预测的结果：P代表正例，N代表反例

查准率P定义为：

查全率R定义为：

查准率与查全率相互矛盾，一般情况下一个高时另外一个就低

P-R曲线可以直观的表示出学习器在样本总体上的查全率和查准率

PR曲线可以对学习器的性能进行比较，如：

学习器A的PR曲线包裹住了C，说明A的性能优于C

A和B这种情况一般使用平衡点BEP(查全率=查准率的点)进行比较，图上情况认为A优于B

 

F1度量

使用平衡点不够准确提出F1度量

其为查准率和查全率的均值

Fβ度量

F1度量的一般形式

能让我们表达出对查准率、查全率的偏好

其中β>0，度量查全率与查准率重要性

β>1时偏好查全率

0<β<1时偏好查准率

ROC与AUC

ROC体现学习器的期望泛化性能，

使用ROC原因：当测试集的正反样本发生变化时ROC基本保持不变，但查准率与查全率会发生很大变化

纵轴为真正例率TPR

横轴为假正例率FPR

通过改变划分类别的阈值来对图像进行绘制，将阈值依次设置为样本点的预测值，而后对其进行统计计算横纵轴

若一个学习器的ROC曲线被另外一个包住，证明后者的性能优于前者。

AUC为ROC曲线的阴影面积，若两个学习器的ROC曲线相交则计算AUC作为判断依据，(实质为阴影部分面积大的性能好)

偏差与方差

偏差：期望输出与真实标记的差别，即

方差：同样大小的训练集的变动所导致的学习性能的变化

噪声：当前任务上任何学习算法所能达到的期望泛化误差的下界

泛化误差可以分解为偏差、方差与噪声之和

偏差与方差相互矛盾

训练不足时偏差主导泛化误差，训练加深后方差主导

方差过高可能模型过拟合

偏差过高可能模型欠拟合