图解机器学习十大经常使用算法

经过本篇文章能够对ML的经常使用算法有个常识性的认识，没有代码，没有复杂的理论推导，就是图解一下，知道这些算法是什么，它们是怎么应用的，例子主要是分类问题。

每一个算法都看了好几个视频，挑出讲的最清晰明了有趣的，便于科普。
之后有时间再对单个算法作深刻地解析。

今天的算法以下：

1. 决策树

2. 随机森林算法
3. 逻辑回归
4. SVM
5. 朴素贝叶斯
6. K最近邻算法
7. K均值算法
8. Adaboost 算法
9. 神经网络
10. 马尔可夫

1. 决策树

根据一些 feature 进行分类，每一个节点提一个问题，经过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投入新数据的时候，就能够根据这棵树上的问题，将数据划分到合适的叶子上。

 

 

2. 随机森林

视频

在源数据中随机选取数据，组成几个子集

 

 

S 矩阵是源数据，有 1-N 条数据，A B C 是feature，最后一列C是类别

 

 

由 S 随机生成 M 个子矩阵

 

 

这 M 个子集获得 M 个决策树
将新数据投入到这 M 个树中，获得 M 个分类结果，计数看预测成哪一类的数目最多，就将此类别做为最后的预测结果

 

 

3. 逻辑回归

视频

当预测目标是几率这样的，值域须要知足大于等于0，小于等于1的，这个时候单纯的线性模型是作不到的，由于在定义域不在某个范围以内时，值域也超出了规定区间。

 

 

因此此时须要这样的形状的模型会比较好

 

 

那么怎么获得这样的模型呢？

这个模型须要知足两个条件 大于等于0，小于等于1
大于等于0 的模型能够选择 绝对值，平方值，这里用 指数函数，必定大于0
小于等于1 用除法，分子是本身，分母是自身加上1，那必定是小于1的了

 

 

再作一下变形，就获得了 logistic regression 模型

 

 

经过源数据计算能够获得相应的系数了

 

 

最后获得 logistic 的图形

 

 

4. SVM

视频

support vector machine

要将两类分开，想要获得一个超平面，最优的超平面是到两类的 margin 达到最大，margin就是超平面与离它最近一点的距离，以下图，Z2>Z1，因此绿色的超平面比较好

 

 

将这个超平面表示成一个线性方程，在线上方的一类，都大于等于1，另外一类小于等于－1

 

 

点到面的距离根据图中的公式计算

 

 

因此获得 total margin 的表达式以下，目标是最大化这个 margin，就须要最小化分母，因而变成了一个优化问题

 

 

举个栗子，三个点，找到最优的超平面，定义了 weight vector＝（2，3）－（1，1）

 

 

获得 weight vector 为（a，2a），将两个点代入方程，代入（2，3）另其值＝1，代入（1，1）另其值＝-1，求解出 a 和 截矩 w0 的值，进而获得超平面的表达式。

 

 

a 求出来后，代入（a，2a）获得的就是 support vector

a 和 w0 代入超平面的方程就是 support vector machine

5. 朴素贝叶斯

视频

举个在 NLP 的应用

给一段文字，返回情感分类，这段文字的态度是positive，仍是negative

 

 

为了解决这个问题，能够只看其中的一些单词

 

 

这段文字，将仅由一些单词和它们的计数表明

 

 

原始问题是：给你一句话，它属于哪一类
经过 bayes rules 变成一个比较简单容易求得的问题

 

 

问题变成，这一类中这句话出现的几率是多少，固然，别忘了公式里的另外两个几率

栗子：单词 love 在 positive 的状况下出现的几率是 0.1，在 negative 的状况下出现的几率是 0.001

 

 

6. K最近邻

视频

k nearest neighbours

给一个新的数据时，离它最近的 k 个点中，哪一个类别多，这个数据就属于哪一类

栗子：要区分 猫 和 狗，经过 claws 和 sound 两个feature来判断的话，圆形和三角形是已知分类的了，那么这个 star 表明的是哪一类呢

 

 

k＝3时，这三条线连接的点就是最近的三个点，那么圆形多一些，因此这个star就是属于猫

 

 

7. K均值

视频

想要将一组数据，分为三类，粉色数值大，黄色数值小
最开心先初始化，这里面选了最简单的 3，2，1 做为各种的初始值
剩下的数据里，每一个都与三个初始值计算距离，而后归类到离它最近的初始值所在类别

 

 

分好类后，计算每一类的平均值，做为新一轮的中心点

 

 

几轮以后，分组再也不变化了，就能够中止了

 

 

 

 

8. Adaboost

视频

adaboost 是 bosting 的方法之一

bosting就是把若干个分类效果并很差的分类器综合起来考虑，会获得一个效果比较好的分类器。

下图，左右两个决策树，单个看是效果不怎么好的，可是把一样的数据投入进去，把两个结果加起来考虑，就会增长可信度

 

 

adaboost 的栗子，手写识别中，在画板上能够抓取到不少 features，例如 始点的方向，始点和终点的距离等等

 

 

training 的时候，会获得每一个 feature 的 weight，例如 2 和 3 的开头部分很像，这个 feature 对分类起到的做用很小，它的权重也就会较小

 

 

而这个 alpha 角 就具备很强的识别性，这个 feature 的权重就会较大，最后的预测结果是综合考虑这些 feature 的结果

 

 

9. 神经网络

视频

Neural Networks 适合一个input可能落入至少两个类别里

NN 由若干层神经元，和它们之间的联系组成
第一层是 input 层，最后一层是 output 层

在 hidden 层 和 output 层都有本身的 classifier

 

 

input 输入到网络中，被激活，计算的分数被传递到下一层，激活后面的神经层，最后output 层的节点上的分数表明属于各种的分数，下图例子获得分类结果为 class 1

一样的 input 被传输到不一样的节点上，之因此会获得不一样的结果是由于各自节点有不一样的weights 和 bias

这也就是 forward propagation

 

 

10. 马尔可夫

视频

Markov Chains 由 state 和 transitions 组成

栗子，根据这一句话 ‘the quick brown fox jumps over the lazy dog’，要获得 markov chain

步骤，先给每个单词设定成一个状态，而后计算状态间转换的几率

 

 

这是一句话计算出来的几率，当你用大量文本去作统计的时候，会获得更大的状态转移矩阵，例如 the 后面能够链接的单词，及相应的几率

 

 

生活中，键盘输入法的备选结果也是同样的原理，模型会更高级

 

本文摘自： https://www.jianshu.com/p/55a67c12d3e9