【机器学习之路】开山篇 | 机器学习介绍及其类别和概念阐述

‍♂️ 个人主页: @计算机魔术师
‍ 作者简介：CSDN内容合伙人，全栈领域优质创作者。

机器学习之路 系列 （一） 作者： 计算机魔术师 版本： 1.0 （ 2022.2.25） 注释：文章会不定时更新补充

前言

本篇文章是该专栏的首篇文章，本专栏对书籍《机器学习实战》、《机器学习》（瓜书）进行内容核心总结和扩展，旨在打造稳扎稳打的基础。

本专栏涵盖一下主题：

1. 机器学习系统主要类别及其基本概念
2. 机器学习项目中的步骤
3. 将数据与模型拟合学习
4. 优化成本函数
5. 数据预处理（处理、清洁、数据准备…)
6. 特征工程（选择和工程化特征）
7. 选择模型并用交叉验证调整超参数
8. 欠拟合和过拟合的挑战（偏差/方差的权衡）
9. 常见的学习算法：线性与多项式回归、逻辑回归等
10. 降维度（“维度的诅咒”）
11. 无监督学习技术（聚类、异常检测…)

首先本篇文章对机器学习进行一个大概介绍，从其发展历程到其使用进行一个大致的阐述，并对主要类别和基本概念进行总结

一、机器学习概览

机器学习其实在很早就已经存在，不过第一个影响数亿人的机器学习应用才变成主流，它就是垃圾邮件过滤器。后来也出现了数以百计的机器学习应用在人们的生活中。

机器学习有着一个比较工程化的定义：
一个计算机程序利用经验E来学习任务T，性能是P，如果针对任务T的性能随着经验E不断增长，则称为机器学习

而其中特别的，使用机器学习方法挖掘大量数据来帮助发现不太明显的规律，就叫做数据挖掘。

机器学习这片大陆主要地区为下：

1. 监督学习 | 非监督学习 | 半监督学习 | 强化学习 （是否在人类监督下训练）
2. 在线学习 | 批量学习 | 迭代学习 | 增量学习（是否可以动态的增量学习）
3. 基于实例学习 | 基于模型学习 （是简单的根据新的数据点和已知数据点进行匹配，还是进行模式监测建立模型）

1.1 有监督学习和无监督学习

根据训练期间所接受的监督数量和类别分为以下四个主要类别：

监督学习 | 非监督学习 | 半监督学习 | 强化学习

1.1.1 监督学习

在有监督学习中，提供给算法包含对应所需解决方案的训练集称为标签。例如邮件垃圾过滤器。
另一个是通过给定对应的特征(房子位置，大小)来预测一个目标数值（房价），这种任务任务称为回归，这需要大量的数据，包括他们的标签（即房价），其中回归算法也可以用与分类任务，二者的界限有时有点模糊，比如逻辑回归被用于分类，因为它可以输出某一个给定类别的概率。

这里是一些比较重要的有监督学习

• K - 近邻算法
• 线性回归
• 逻辑回归
• 支持向量机（SVM）
• 决策树和随机森林
• 神经网络（也可以是无监督或半监督）

1.1.2 无监督学习

顾名思义，其数据集都是未经标记的，系统需要自己学习。
这里是一些比较重要的无监督学习

• 聚类算法
• • K-均值算法
• • DBSCAN
• • 分层聚类分析（HCA)
• 异常监测和新颖性监测
• • 单类SVM
• • 孤立森林
• 可视化和降维
• • 主成分分析（PCA)
• • 核主成分分析
• • 局部线性嵌入（LLE）
• • t-分布随机近邻嵌入
• 关联规则学习
• • Apriori
• • Eclat

1.1.3 半监督学习

由于通常给数据做标记是非常耗时和昂贵的，会有很多未标记少量以标记的数据，而能够处理部分已标记的数据，这被称为半监督学习。大多数半监督都是无监督和有监督算法的结合。

1.1.4 强化学习

强化学习可以观察环境，做出选择，执行动作，获得对应奖励或惩罚，它必须要自行学习什么是最好的策略，从而随着时间推移获得最大的回报。其中ALphaGo项目便是一个好示例，打败围棋冠军。、

1.2 批量学习和在线学习

1.2.1 在线学习

在线学习意思是可以循环渐进的给系统提供训练数据（可以是单个实例，也可以小批量），模型根据这个数据反馈可以快速进行调整，并不断地更新模型参数，直到收敛为止。在线学习适合于样本不停变化的场景，使其能够适应新数据并提供实时的预测或决策。在线学习常用于需要处理流数据或实时数据的场景，例如金融交易、广告推荐、智能监控等。如果计算资源有限，在线学习学习了新的数据实例，便可以将其丢掉（除非需要回滚状态）

1.2.2 增量学习

增量学习是指在训练数据集发生变化时，可以通过在原有模型基础上进行微调或增加新的训练数据，来更新和改进现有模型。这种方法可以帮助模型适应新的数据和场景，同时减少重新训练整个模型的时间和资源开销。

增量学习更侧重于离线的批量更新，适用于批量数据的更新和训练；而在线学习更侧重于实时更新，适用于实时数据的处理和训练。

1.2.3 核外学习

核外算法可以处理计算机主内存无法应对的大量数据。 它将数据分割成小批量，然后使用在线学习技术从这些小批量中学习

如果面对着超级大的数据集，超过了一台计算机的主存的数据，在线学习同样适用，算法每次只加载部分数据，并针对此数据训练，不断重复直到完成所有数据的训练，特别的是：核外学习是离线完成的，不在实时系统上，所以避免产生误解，视为核外学习。 核外学习算法通常是基于迭代的，其中每个迭代处理一个或多个数据块。在每个迭代中，算法使用梯度下降等方法更新模型参数，并使用新的参数在下一个迭代中处理新的数据块。

常见的核外学习算法包括

• 随机梯度下降（Stochastic Gradient Descent，SGD）
• 均值移动（Moving Averages，MA）
• 均值随机梯度下降（Stochastic Gradient Descent with Averaging，SGDA）
• 自适应随机梯度下降（Adaptive Gradient Descent，AdaGrad）

---

1.2.4 批量学习

在批量学习中，系统无法进行增量学习——即必须使用所有可用数据进行训练。需要大量计算资源和时间，所以一般都是离线进行的，如果希望批量学习系统可以学习新数据（比如新型垃圾邮件），就需要在完整的数据（旧和新的一起）训练出新版本，在停用旧系统，上线新系统。不过幸运的是，整个训练、评估、启动系统过程都可以实现自动化，缺点是需要很长时间，如果是面对预测股票价格，那么需要一个更具响应力的解决方案， 显然就是上文所说的在线学习。

1.3 基于实例的学习与基于模型的学习

1.3.1 基于实例的学习

我们知道，平日我们最常见的学习方法便是死记硬背，如果以这种方式创建一个垃圾邮箱过滤器，那么他只会标记完全一样的垃圾邮件，或者根据相似度度量二者相似性（比如单词相同数）， 最常见的一个基于实例的学习便是 K–近邻回归（如：根据老师三个邮件的单词次数平均值）

1.3.2 基于模型的学习

从一组数据中训练，构建可以泛化的模型，比如为呈线性相关的数据集选择线性模型，而要拟合自然需要对应的参数，而参数就是通过训练所得到，如最小二乘法，梯度下降算法。

简而言之：

• 研究数据
• 数据预处理
• 数据可视化分析
• 选择模型
• 训练模型
• 预测新实例

以上就是一个典型的机器学习项目流程

以上你已经知道什么是真正的机器学习，为何而用，常见类别有哪些，典型的项目工作流程，下一文我们将会聊聊学习过程会遇到哪些阻碍做出准确预测的问题。

	  到这里，如果还有什么疑问
欢迎私信博主问题哦，博主会尽自己能力为你解答疑惑的！
 	 如果对你有帮助，你的赞是对博主最大的支持！！