机器学习常见十大算法
2016-12-02 18:28
399 查看
通过本篇文章可以对ML的常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。
以后有时间再对单个算法做深入地解析。
今天的算法如下:
决策树
随机森林算法
逻辑回归
SVM
朴素贝叶斯
K最近邻算法
K均值算法
Adaboost 算法
神经网络
马尔可夫
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e721.jpg)
在源数据中随机选取数据,组成几个子集
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e722.jpg)
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
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e723.jpg)
由 S 随机生成 M 个子矩阵
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e724.jpg)
这 M 个子集得到 M 个决策树
将新数据投入到这 M 个树中,得到 M 个分类结果,计数看预测成哪一类的数目最多,就将此类别作为最后的预测结果
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e725.jpg)
当预测目标是概率这样的,值域需要满足大于等于0,小于等于1的,这个时候单纯的线性模型是做不到的,因为在定义域不在某个范围之内时,值域也超出了规定区间。
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e726.jpg)
所以此时需要这样的形状的模型会比较好
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e727.jpg)
那么怎么得到这样的模型呢?
这个模型需要满足两个条件 大于等于0,小于等于1
大于等于0 的模型可以选择 绝对值,平方值,这里用 指数函数,一定大于0
小于等于1 用除法,分子是自己,分母是自身加上1,那一定是小于1的了
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e728.jpg)
再做一下变形,就得到了 logistic regression 模型
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e729.jpg)
通过源数据计算可以得到相应的系数了
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e730.jpg)
最后得到 logistic 的图形
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e731.jpg)
support vector machine
要将两类分开,想要得到一个超平面,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,如下图,Z2>Z1,所以绿色的超平面比较好
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e732.jpg)
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,另一类小于等于-1
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e733.jpg)
点到面的距离根据图中的公式计算
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e734.jpg)
所以得到 total margin 的表达式如下,目标是最大化这个 margin,就需要最小化分母,于是变成了一个优化问题
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e735.jpg)
举个栗子,三个点,找到最优的超平面,定义了 weight vector=(2,3)-(1,1)
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e736.jpg)
得到 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,进而得到超平面的表达式。
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e737.jpg)
a 求出来后,代入(a,2a)得到的就是 support vector
a 和 w0 代入超平面的方程就是 support vector machine
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,还是negative
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e738.jpg)
为了解决这个问题,可以只看其中的一些单词
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e739.jpg)
这段文字,将仅由一些单词和它们的计数代表
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e740.jpg)
原始问题是:给你一句话,它属于哪一类
通过 bayes rules 变成一个比较简单容易求得的问题
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e741.jpg)
问题变成,这一类中这句话出现的概率是多少,当然,别忘了公式里的另外两个概率
栗子:单词 love 在 positive 的情况下出现的概率是 0.1,在 negative 的情况下出现的概率是 0.001
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e742.jpg)
k nearest neighbours
给一个新的数据时,离它最近的 k 个点中,哪个类别多,这个数据就属于哪一类
栗子:要区分 猫 和 狗,通过 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 代表的是哪一类呢
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e743.jpg)
k=3时,这三条线链接的点就是最近的三个点,那么圆形多一些,所以这个star就是属于猫
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e744.jpg)
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 作为各类的初始值
剩下的数据里,每个都与三个初始值计算距离,然后归类到离它最近的初始值所在类别
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e745.jpg)
分好类后,计算每一类的平均值,作为新一轮的中心点
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e746.jpg)
几轮之后,分组不再变化了,就可以停止了
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e747.jpg)
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e748.jpg)
adaboost 是 bosting 的方法之一
bosting就是把若干个分类效果并不好的分类器综合起来考虑,会得到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,但是把同样的数据投入进去,把两个结果加起来考虑,就会增加可信度
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e749.jpg)
adaboost 的栗子,手写识别中,在画板上可以抓取到很多 features,例如 始点的方向,始点和终点的距离等等
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e750.jpg)
training 的时候,会得到每个 feature 的 weight,例如 2 和 3 的开头部分很像,这个 feature 对分类起到的作用很小,它的权重也就会较小
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e751.jpg)
而这个 alpha 角 就具有很强的识别性,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
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e752.jpg)
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 层都有自己的 classifier
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e753.jpg)
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 层的节点上的分数代表属于各类的分数,下图例子得到分类结果为 class 1
同样的 input 被传输到不同的节点上,之所以会得到不同的结果是因为各自节点有不同的weights 和 bias
这也就是 forward propagation
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e754.jpg)
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’,要得到 markov chain
步骤,先给每一个单词设定成一个状态,然后计算状态间转换的概率
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e755.jpg)
这是一句话计算出来的概率,当你用大量文本去做统计的时候,会得到更大的状态转移矩阵,例如 the 后面可以连接的单词,及相应的概率
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e756.jpg)
生活中,键盘输入法的备选结果也是一样的原理,模型会更高级
每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。
以后有时间再对单个算法做深入地解析。
今天的算法如下:
决策树
随机森林算法
逻辑回归
SVM
朴素贝叶斯
K最近邻算法
K均值算法
Adaboost 算法
神经网络
马尔可夫
1. 决策树
根据一些 feature 进行分类,每个节点提一个问题,通过判断,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,就可以根据这棵树上的问题,将数据划分到合适的叶子上。![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e721.jpg)
2. 随机森林
视频在源数据中随机选取数据,组成几个子集
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e722.jpg)
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
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e723.jpg)
由 S 随机生成 M 个子矩阵
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e724.jpg)
这 M 个子集得到 M 个决策树
将新数据投入到这 M 个树中,得到 M 个分类结果,计数看预测成哪一类的数目最多,就将此类别作为最后的预测结果
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e725.jpg)
3. 逻辑回归
视频当预测目标是概率这样的,值域需要满足大于等于0,小于等于1的,这个时候单纯的线性模型是做不到的,因为在定义域不在某个范围之内时,值域也超出了规定区间。
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e726.jpg)
所以此时需要这样的形状的模型会比较好
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e727.jpg)
那么怎么得到这样的模型呢?
这个模型需要满足两个条件 大于等于0,小于等于1
大于等于0 的模型可以选择 绝对值,平方值,这里用 指数函数,一定大于0
小于等于1 用除法,分子是自己,分母是自身加上1,那一定是小于1的了
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e728.jpg)
再做一下变形,就得到了 logistic regression 模型
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e729.jpg)
通过源数据计算可以得到相应的系数了
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e730.jpg)
最后得到 logistic 的图形
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e731.jpg)
4. SVM
视频support vector machine
要将两类分开,想要得到一个超平面,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,如下图,Z2>Z1,所以绿色的超平面比较好
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e732.jpg)
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,另一类小于等于-1
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e733.jpg)
点到面的距离根据图中的公式计算
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e734.jpg)
所以得到 total margin 的表达式如下,目标是最大化这个 margin,就需要最小化分母,于是变成了一个优化问题
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e735.jpg)
举个栗子,三个点,找到最优的超平面,定义了 weight vector=(2,3)-(1,1)
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e736.jpg)
得到 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,进而得到超平面的表达式。
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e737.jpg)
a 求出来后,代入(a,2a)得到的就是 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,还是negative
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e738.jpg)
为了解决这个问题,可以只看其中的一些单词
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e739.jpg)
这段文字,将仅由一些单词和它们的计数代表
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e740.jpg)
原始问题是:给你一句话,它属于哪一类
通过 bayes rules 变成一个比较简单容易求得的问题
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e741.jpg)
问题变成,这一类中这句话出现的概率是多少,当然,别忘了公式里的另外两个概率
栗子:单词 love 在 positive 的情况下出现的概率是 0.1,在 negative 的情况下出现的概率是 0.001
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e742.jpg)
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,哪个类别多,这个数据就属于哪一类
栗子:要区分 猫 和 狗,通过 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 代表的是哪一类呢
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e743.jpg)
k=3时,这三条线链接的点就是最近的三个点,那么圆形多一些,所以这个star就是属于猫
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e744.jpg)
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 作为各类的初始值
剩下的数据里,每个都与三个初始值计算距离,然后归类到离它最近的初始值所在类别
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e745.jpg)
分好类后,计算每一类的平均值,作为新一轮的中心点
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e746.jpg)
几轮之后,分组不再变化了,就可以停止了
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e747.jpg)
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e748.jpg)
8. Adaboost
视频adaboost 是 bosting 的方法之一
bosting就是把若干个分类效果并不好的分类器综合起来考虑,会得到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,但是把同样的数据投入进去,把两个结果加起来考虑,就会增加可信度
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e749.jpg)
adaboost 的栗子,手写识别中,在画板上可以抓取到很多 features,例如 始点的方向,始点和终点的距离等等
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e750.jpg)
training 的时候,会得到每个 feature 的 weight,例如 2 和 3 的开头部分很像,这个 feature 对分类起到的作用很小,它的权重也就会较小
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e751.jpg)
而这个 alpha 角 就具有很强的识别性,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
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e752.jpg)
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 层都有自己的 classifier
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e753.jpg)
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 层的节点上的分数代表属于各类的分数,下图例子得到分类结果为 class 1
同样的 input 被传输到不同的节点上,之所以会得到不同的结果是因为各自节点有不同的weights 和 bias
这也就是 forward propagation
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e754.jpg)
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’,要得到 markov chain
步骤,先给每一个单词设定成一个状态,然后计算状态间转换的概率
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e755.jpg)
这是一句话计算出来的概率,当你用大量文本去做统计的时候,会得到更大的状态转移矩阵,例如 the 后面可以连接的单词,及相应的概率
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e756.jpg)
生活中,键盘输入法的备选结果也是一样的原理,模型会更高级
![](http://static.codeceo.com/images/2016/11/a9078e8653368c9c291ae2f8b74012e757.jpg)
相关文章推荐
- AngularJS常用指令
- Caffe简介
- 【算法杂谈】埃氏素数筛
- 图片加载的缓存工具类
- javascript布尔类型boolean对象方法
- java 移除字符串前面的0 字符
- Java中的ReentrantLock和synchronized两种锁定机制的对比
- angular表单验证实例----可用的代码
- CentOS系统MySQL双机热备配置
- 数据结构-Java实现散列表
- 12.2
- QDockWidget
- marathon 内部docker调用用vip还是name
- 深度探索c++对象模型之template的具现行为
- 源码搭建LNMP
- oracle_数据定义语言_ddl
- javascript 数组对象方法
- 类型转换错误java.math.BigDecimal cannot be cast to java.lang.String
- Ansible roles
- 51nod 1489 蜥蜴和地下室