機器學習

機器學習（Machine Learning， ML）是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

嚴格的定義：機器學習是一門研究機器獲取新知識和新技能，并識別現有知識的學問。這里所說的“機器”，指的就是計算機，電子計算機，中子計算機、光子計算機或神經計算機等等。

機器學習概論

由上圖所示：機器學習分為四大塊：

classification （分類）

clustering （聚類）

regression （回歸）

dimensionality reduction （降維）

classification & regression

舉一個簡單的例子：

給定一個樣本特征 x， 我們希望預測其對應的屬性值 y， 如果 y 是離散的， 那么這就是一個分類問題，反之，如果 y 是連續的實數， 這就是一個回歸問題。

如果給定一組樣本特征 S={x∈RD}， 我們沒有對應的 y， 而是想發掘這組樣本在 D 維空間的分布， 比如分析哪些樣本靠的更近，哪些樣本之間離得很遠， 這就是屬于聚類問題。

如果我們想用維數更低的子空間來表示原來高維的特征空間， 那么這就是降維問題。

無論是分類還是回歸，都是想建立一個預測模型 H，給定一個輸入 x， 可以得到一個輸出 y:y=H（x）

不同的只是在分類問題中， y 是離散的; 而在回歸問題中 y 是連續的。所以總得來說，兩種問題的學習算法都很類似。所以在這個圖譜上，我們看到在分類問題中用到的學習算法，在回歸問題中也能使用。分類問題最常用的學習算法包括 SVM （支持向量機） ， SGD （隨機梯度下降算法）， Bayes （貝葉斯估計）， Ensemble， KNN 等。而回歸問題也能使用 SVR， SGD， Ensemble 等算法，以及其它線性回歸算法。

clustering

聚類也是分析樣本的屬性， 有點類似classification， 不同的就是classification 在預測之前是知道 y 的范圍， 或者說知道到底有幾個類別， 而聚類是不知道屬性的范圍的。所以 classification 也常常被稱為 supervised learning， 而clustering就被稱為 unsupervised learning。

clustering 事先不知道樣本的屬性范圍，只能憑借樣本在特征空間的分布來分析樣本的屬性。這種問題一般更復雜。而常用的算法包括 k-means （K-均值）， GMM （高斯混合模型） 等。

dimensionality reduction

降維是機器學習另一個重要的領域， 降維有很多重要的應用， 特征的維數過高， 會增加訓練的負擔與存儲空間， 降維就是希望去除特征的冗余， 用更加少的維數來表示特征。 降維算法最基礎的就是PCA了， 后面的很多算法都是以PCA為基礎演化而來。

機器學習常見算法

機器學習領域涉及到很多的算法和模型，這里遴選一些常見的算法：

正則化算法（Regularization Algorithms）

集成算法（Ensemble Algorithms）

決策樹算法（Decision Tree Algorithm）

回歸（Regression）

人工神經網絡（Artificial Neural Network）

深度學習（Deep Learning）

支持向量機（Support Vector Machine）

降維算法（Dimensionality Reduction Algorithms）

聚類算法（Clustering Algorithms）

基于實例的算法（Instance-based Algorithms）

貝葉斯算法（Bayesian Algorithms）

關聯規則學習算法（Association Rule Learning Algorithms）

圖模型（Graphical Models）

正則化算法

正則化算法是另一種方法（通常是回歸方法）的拓展，這種方法會基于模型復雜性對其進行懲罰，它喜歡相對簡單能夠更好的泛化的模型。 正則化中我們將保留所有的特征變量，但是會減小特征變量的數量級（參數數值的大小θ（j））。這個方法非常有效，當我們有很多特征變量時，其中每一個變量都能對預測產生一點影響。 算法實例：

嶺回歸（Ridge Regression）

最小絕對收縮與選擇算子（LASSO）

GLASSO

彈性網絡（Elastic Net）

最小角回歸（Least-Angle Regression）

集成算法

集成方法是由多個較弱的模型集成模型組，其中的模型可以單獨進行訓練，并且它們的預測能以某種方式結合起來去做出一個總體預測。這類算法又稱元算法（meta-algorithm）。最常見的集成思想有兩種bagging和boosting。

boosting

基于錯誤提升分類器性能，通過集中關注被已有分類器分類錯誤的樣本，構建新分類器并集成。

bagging

基于數據隨機重抽樣的分類器構建方法。

算法實例：

Boosting

Bootstrapped Aggregation（Bagging）

AdaBoost

層疊泛化（Stacked Generalization）（blending）

梯度推進機（Gradient Boosting Machines，GBM）

梯度提升回歸樹（Gradient Boosted Regression Trees，GBRT）

隨機森林（Random Forest）

總結：當先最先進的預測幾乎都使用了算法集成。它比使用單個模型預測出來的結果要精確的多。但是該算法需要大量的維護工作。 詳細講解：機器學習算法之集成算法

決策樹算法

決策樹學習使用一個決策樹作為一個預測模型，它將對一個 item（表征在分支上）觀察所得映射成關于該 item 的目標值的結論（表征在葉子中）。 決策樹通過把實例從艮節點排列到某個葉子結點來分類實例，葉子結點即為實例所屬的分類。樹上的每一個結點指定了對實例的某個屬性的測試，并且該結點的每一個后繼分支對應于該屬性的一個可能值。分類實例的方法是從這棵樹的根節點開始，測試這個結點的屬性，然后按照給定實例的屬性值對應的樹枝向下移動。然后這個過程在以新結點的根的子樹上重復。 算法實例：

分類和回歸樹（Classification and Regression Tree，CART）

Iterative Dichotomiser 3（ID3）

C4.5 和 C5.0（一種強大方法的兩個不同版本）

回歸算法

回歸是用于估計兩種變量之間關系的統計過程。當用于分析因變量和一個 多個自變量之間的關系時，該算法能提供很多建模和分析多個變量的技巧。具體一點說，回歸分析可以幫助我們理解當任意一個自變量變化，另一個自變量不變時，因變量變化的典型值。最常見的是，回歸分析能在給定自變量的條件下估計出因變量的條件期望。

算法實例：

普通最小二乘回歸（Ordinary Least Squares Regression，OLSR）

線性回歸（Linear Regression）

邏輯回歸（Logistic Regression）

逐步回歸（Stepwise Regression）

多元自適應回歸樣條（Multivariate Adaptive Regression Splines，MARS）

本地散點平滑估計（Locally Estimated Scatterplot Smoothing，LOESS）

人工神經網絡

人工神經網絡是受生物神經網絡啟發而構建的算法模型。它是一種模式匹配，常被用于回歸和分類問題，但擁有龐大的子域，由數百種算法和各類問題的變體組成。

人工神經網絡（ANN）提供了一種普遍而且實際的方法從樣例中學習值為實數、離散值或向量函數。人工神經網絡由一系列簡單的單元相互連接構成，其中每個單元有一定數量的實值輸入，并產生單一的實值輸出。

算法實例：

感知器

反向傳播

Hopfield 網絡

徑向基函數網絡（Radial Basis Function Network，RBFN）

深度學習

深度學習是人工神經網絡的最新分支，它受益于當代硬件的快速發展。

眾多研究者目前的方向主要集中于構建更大、更復雜的神經網絡，目前有許多方法正在聚焦半監督學習問題，其中用于訓練的大數據集只包含很少的標記。

算法實例：

深玻耳茲曼機（Deep Boltzmann Machine，DBM）

Deep Belief Networks（DBN）

卷積神經網絡（CNN）

Stacked Auto-Encoders

支持向量機

支持向量機是一種監督式學習 （Supervised Learning）的方法，主要用在統計分類 （Classification）問題和回歸分析 （Regression）問題上。支持向量機屬于一般化線性分類器，也可以被認為是提克洛夫規范化（Tikhonov Regularization）方法的一個特例。這族分類器的特點是他們能夠同時最小化經驗誤差與最大化幾何邊緣區，因此支持向量機也被稱為最大邊緣區分類器。現在多簡稱為SVM。

給定一組訓練事例，其中每個事例都屬于兩個類別中的一個，支持向量機（SVM）訓練算法可以在被輸入新的事例后將其分類到兩個類別中的一個，使自身成為非概率二進制線性分類器。

SVM 模型將訓練事例表示為空間中的點，它們被映射到一幅圖中，由一條明確的、盡可能寬的間隔分開以區分兩個類別。

降維算法

所謂的降維就是指采用某種映射方法，將原高維空間中的數據點映射到低維度的空間中。降維的本質是學習一個映射函數 f ： x-》y，其中x是原始數據點的表達，目前最多使用向量表達形式。 y是數據點映射后的低維向量表達，通常y的維度小于x的維度（當然提高維度也是可以的）。f可能是顯式的或隱式的、線性的或非線性的。

這一算法可用于可視化高維數據或簡化接下來可用于監督學習中的數據。許多這樣的方法可針對分類和回歸的使用進行調整。

算法實例：

主成分分析（Principal Component Analysis （PCA））

主成分回歸（Principal Component Regression （PCR））

偏最小二乘回歸（Partial Least Squares Regression （PLSR））

Sammon 映射（Sammon Mapping）

多維尺度變換（Multidimensional Scaling （MDS））

投影尋蹤（Projection Pursuit）

線性判別分析（Linear Discriminant Analysis （LDA））

混合判別分析（Mixture Discriminant Analysis （MDA））

二次判別分析（Quadratic Discriminant Analysis （QDA））

靈活判別分析（Flexible Discriminant Analysis （FDA））

聚類算法

聚類算法是指對一組目標進行分類，屬于同一組（亦即一個類，cluster）的目標被劃分在一組中，與其他組目標相比，同一組目標更加彼此相似。

優點是讓數據變得有意義，缺點是結果難以解讀，針對不同的數據組，結果可能無用。

算法實例：

K-均值（k-Means）

k-Medians 算法

Expectation Maximi 封層 ation （EM）

最大期望算法（EM）

分層集群（Hierarchical Clstering）

貝葉斯算法

貝葉斯定理（英語：Bayes‘ theorem）是概率論中的一個定理，它跟隨機變量的條件概率以及邊緣概率分布有關。在有些關于概率的解說中，貝葉斯定理（貝葉斯更新）能夠告知我們如何利用新證據修改已有的看法。貝葉斯方法是指明確應用了貝葉斯定理來解決如分類和回歸等問題的方法。

算法實例：

樸素貝葉斯（Naive Bayes）

高斯樸素貝葉斯（Gaussian Naive Bayes）

多項式樸素貝葉斯（Multinomial Naive Bayes）

平均一致依賴估計器（Averaged One-Dependence Estimators （AODE））

貝葉斯信念網絡（Bayesian Belief Network （BBN））

貝葉斯網絡（Bayesian Network （BN））

關聯規則學習算法

關聯規則學習方法能夠提取出對數據中的變量之間的關系的最佳解釋。比如說一家超市的銷售數據中存在規則 {洋蔥，土豆}=》 {漢堡}，那說明當一位客戶同時購買了洋蔥和土豆的時候，他很有可能還會購買漢堡肉。有點類似于聯想算法。

算法實例：

Apriori 算法（Apriori algorithm）

Eclat 算法（Eclat algorithm）

FP-growth

圖模型

圖模型（GraphicalModels）在概率論與圖論之間建立起了聯姻關系。它提供了一種自然工具來處理應用數學與工程中的兩類問題——不確定性（Uncertainty）和復雜性（Complexity）問 題，特別是在機器學習算法的分析與設計中扮演著重要角色。圖模型的基本理念是模塊化的思想，復雜系統是通過組合簡單系統建構的。概率論提供了一種粘合劑使 系統的各個部分組合在一起，確保系統作為整體的持續一致性，提供了多種數據接口模型方法。

圖模型或概率圖模型（PGM/probabilistic graphical model）是一種概率模型，一個圖（graph）可以通過其表示隨機變量之間的條件依賴結構（conditional dependence structure）。

算法實例：

貝葉斯網絡（Bayesian network）

馬爾可夫隨機域（Markov random field）

鏈圖（Chain Graphs）

祖先圖（Ancestral graph）