机器学习中的一些概念

1.交叉验证

• 将全部训练集S分成k个不相交的子集，{S₁，S₂，...，S_k}，假设训练样本有m个，那么每个子集有m/k个训练样例
• 对于模型集合M中的一个M_i，每次挑选k-1个子集{S₁，S₂，...，S_j-1，S_j+1，...，S_k}做训练，得到假设函数h_ij，用剩下一个子集S_j做训练，得到经验误差ε_ij
• 计算M_i的平均经验误差，选出平均经验误差最小的模型M_i，用全部训练集S做训练得到最终的h_i

 

2.异常检测

• 假设样本有n维，并且符合高斯分布，求得每一维的µ_j，σ_j²
• 对于新样本X直接计算其密度px
  
• 如果密度值小于某一阈值ε，则表示该样本异常

      这里ε是通过交叉验证得到的，也就是说在进行异常检测时，前面的px的学习是用的无监督，后面的参数ε学习是用的有监督。因为在异常检测中，异常的样本数量非常少而正常样本数量非常多，属于不平衡二类问题，因此不足以学习到好的异常行为模型的参数，因为后面新来的异常样本可能完全是与训练样本中的模式不同。

 

3.生成模型和判别模型

• 判别模型：由数据直接学习决策函数Y=f(X)或者条件概率分布P(Y|X)作为预测的模型。基本思想是有限样本条件下建立判别函数，不考虑样本的产生模型，直接研究预测模型。典型的判别模型包括k近邻，感知级，决策树，支持向量机等。

• 生成方法：由数据学习联合概率密度分布P(X,Y)，然后求出条件概率分布P(Y|X)作为预测的模型，P(Y|X)= P(X,Y)/ P(X)。基本思想是首先建立样本的联合概率概率密度模型P(X,Y)，然后再得到后验概率P(Y|X)，再利用它进行预测。常见的有隐马尔科夫模型，朴素贝叶斯模型，高斯混合模型，LDA等。

 

4.最大熵原理

      熵定义的实际上是一个随机变量的不确定性，熵最大的时候，说明随机变量最不确定，换句话说，也就是随机变量最随机，对其行为做准确预测最困难。最大熵原理指出，当我们需要对一个随机事件的概率分布进行预测时，我们的预测应当满足全部已知的条件，而对未知的情况不要做任何主观假设。（不做主观假设这点很重要。）在这种情况下，概率分布最均匀，预测的风险最小。说白了，就是要保留全部的不确定性，将风险降到最小。

 

学习资料：

1.判别模型和生成模型