比牛科技

公司动态 Company dynamics

开发动态 Exploitation dynamic

行业动态 Industry dynamics

轻松看懂机器学习十大常用算法

2018-06-04

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：<blockquote><ul class="list-paddingleft-2"><li>决策树</li><li>随机森林算法</li><li>逻辑回归</li><li>SVM</li><li>朴素贝叶斯</li><li>K最近邻算法</li><li>K均值算法</li><li>Adaboost 算法</li><li>神经网络</li><li>马尔可夫</li></ul></blockquote><h3><a name="t0"></a><a name="t0" target="_blank"></a><a target="_blank"></a>1. 决策树</h3>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。<img alt="640?wx_fmt=png&wxfrom=5&wx_lazy=1" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NGicdjKhHdHtdK7UP01RbyHKAia4RKG1SLAu7hXgvQNXhAFyd0NB4SJVA/640?wx_fmt=png&wxfrom=5&wx_lazy=1"><h3><a name="t1"></a><a name="t1" target="_blank"></a><a target="_blank"></a>2. 随机森林</h3>在源数据中随机选取数据，组成几个子集<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7N8nPjQvWExSibtRhho0YA0zKq69m9TFaw0NOI1oA0WiatCwbRIRwwtxFg/640?wx_fmt=png">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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7N122mkv7lwYibKDv8jPFKpP2fibu6qCJa8jjp6yCWgAsqR8cs63Kic7cOQ/640?wx_fmt=png">由 S 随机生成 M 个子矩阵<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7Nr04zBGmLT9TIxPxs26rPmUT854oicScukCzbdpqKvRn7V9LcP3icGNMg/640?wx_fmt=png">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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7N7N8JSGichTAWmDZoc8NcibT5YPtnEd5Mj9jxyJHtxj4eCfUcdXk45qiag/640?wx_fmt=png"><h3><a name="t2"></a><a name="t2" target="_blank"></a><a target="_blank"></a>3. 逻辑回归</h3>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。<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NDNVgSTSt9BGOicFZk2BicuYW7xnls7lvPibNOJMqKzPPZ1FaUiaceicg0UQ/640?wx_fmt=png">所以此时需要这样的形状的模型会比较好<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NZjOL353JHuIBicVjsRloicsDsiaMkUuCDV3XQ7Iv3avPDzgMAmicHCpiapQ/640?wx_fmt=png">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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NWICMc3RlaqNjMB09QRfYJCWw62RQuPuew2PsEibpzR51ox85m5XJ5Tw/640?wx_fmt=png">再做一下变形，就得到了 logistic regression 模型<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7N04taic4tnbIjAbpdFzGbMrtJFMkHfeLVx2Gia1wLkib5BlRngWjBSElyg/640?wx_fmt=png">通过源数据计算可以得到相应的系数了<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NkyCicdTtn1IibibZPhoCNcGxBZqpYdAyiaFxp3u4XQvicEib0vJEuCibGqnHQ/640?wx_fmt=png">最后得到 logistic 的图形<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NjMZp2OsYHUeZ9iam4EiceNrAodkRGKHuiaY35ibITHaTVfd6Gvc9ZQG8jw/640?wx_fmt=png"><h3><a name="t3"></a><a name="t3" target="_blank"></a><a target="_blank"></a>4. SVM</h3>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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NibMHrGRTVsCNYWMB6p5Hz8KWZHvH8Uc8mH5BLZDjMWpVyqNUVl83OZw/640?wx_fmt=png">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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7N66yt8WPZlcrjo4jDX5sOMgIGBpLP7BdoBib7TqxjQIXTJZnicHXEGB9g/640?wx_fmt=png">点到面的距离根据图中的公式计算<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7N2g03JYnCkBUX2QQy9JnbqtYUss094Tia1KbPDHpZWItzEWNKmg6YoPg/640?wx_fmt=png">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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7Nu4fcGKqSFWU61JL2Js3SxILrDJYhxmjgZgu73aSibU7q1mAPEN1QYnQ/640?wx_fmt=png">举个栗子，三个点，找到最优的超平面，定义了 weight vector＝（2，3）－（1，1）<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NAib48KCPh4KAIEqumFCf361JFHmCLY3xb5Xx3LpeWRWAmtuKgGiaUgjA/640?wx_fmt=png">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。<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NYpwAyiadBibMZum5oXeddGKacVuP1iavFvhJ0KpFgUmvylahORKof9jFg/640?wx_fmt=png">a 求出来后，代入（a，2a）得到的就是 support vectora 和 w0 代入超平面的方程就是 support vector machine<h3><a name="t4"></a><a name="t4" target="_blank"></a><a target="_blank"></a>5. 朴素贝叶斯</h3>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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NOEiaHTNFwicQus9asXYnSibhgad1DibeEcClQ1q1pt9OvP6vHN6jGCPTWQ/640?wx_fmt=png">为了解决这个问题，可以只看其中的一些单词<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NJ54uficyicPKIUSXqcjDbKubtian0ks0OHQaPS8ktsXqZSUAb6icsXpeOg/640?wx_fmt=png">这段文字，将仅由一些单词和它们的计数代表<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7Nc9QdaJjvicKJb1hKnOTFODkxhUwSlaagWSNWZV24rWEywib5fWV8uXzg/640?wx_fmt=png">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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NjmDNTcfIEglxTpUichod9licXhe9KSMJaxuU7qesDnEQXr8sia01JVQZQ/640?wx_fmt=png">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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7N2uW9p4j3KQSgKhCm6XWnfPvGUEdJdEUmfFmdtQibcxHLdb0HEKgW2YA/640?wx_fmt=png"><h3><a name="t5"></a><a name="t5" target="_blank"></a><a target="_blank"></a>6. K最近邻</h3>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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NVPhd6abhBJrsHzBh7n5CVJW4GbOcjBHiaoqmnGjE0qIwP9RvPx3X5sQ/640?wx_fmt=png">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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7Nb8V2tfDUHQXRvZwxP2b5qiacvMKibRZiazHZicQmkmqmhwqTIRNzejvloQ/640?wx_fmt=png"><h3><a name="t6"></a><a name="t6" target="_blank"></a><a target="_blank"></a>7. K均值</h3>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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7Nok2jaQBDBXITQ7K7MZs267waB1KNXhfL3xRq5cmDL4CDHQ7Gd99SEQ/640?wx_fmt=png">分好类后，计算每一类的平均值，作为新一轮的中心点<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NEhpfzNEpib4WicvPtGPbQ9czwiclnnYFC7F90Yy6gFlsUGfpjMhDZM62Q/640?wx_fmt=png">几轮之后，分组不再变化了，就可以停止了<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NfzpxYxgIMp7fZ8ls0ibFFDfSYhjt6qEulMsVXbO8jSzsyq8R1lfAVcg/640?wx_fmt=png"><img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NaFtTdMrNFQ74PiaXbeovMGXarq3BrwPbu1ZajtgGXj8w7pO9qAuOxNA/640?wx_fmt=png"><h3><a name="t7"></a><a name="t7" target="_blank"></a><a target="_blank"></a>8. Adaboost</h3>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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NNGImxTyjJwKZRlbFRrTyCDaErF3BoAGRU45PqTWNRGOUqwcyefp20w/640?wx_fmt=png">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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NMCcB1pecJia7WlEbD02q8ibMEJ6DZSysnOlyFzsJFqhHsm9UvuMISVMg/640?wx_fmt=png">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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NIGRPdjuyicVs98sJeBrcebqQNZVbGR3yKP8qJdPbVMMgLh8OJomKsBA/640?wx_fmt=png">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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7N4smqK3g4libIxUcVBRdvhX8FzloDOsdzbc6MmeP1mH3K10ZAFqSaJPQ/640?wx_fmt=png"><h3><a name="t8"></a><a name="t8" target="_blank"></a><a target="_blank"></a>9. 神经网络</h3>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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NRyIwSGKY0Uh2qicCVfq4Q0pxQiaLXJB9ialJpmTKSpE5RZ0snSwW71T3A/640?wx_fmt=png">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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7Ngs3V4b94T6fZjXp75r91rGXfI5T31MsIalKwbxcF0hLicpkCdcA7y4A/640?wx_fmt=png"><h3><a name="t9"></a><a name="t9" target="_blank"></a><a target="_blank"></a>10. 马尔可夫</h3>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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7NlVSJG4jNUcwSlJ1LrBVwEEx8RzomhVOiaxe6jYmABnkgnArWx2VHprA/640?wx_fmt=png">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<img class="img_loading" alt="640?wx_fmt=png" src="https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/X8OUs1wOMWH3GLP48zjPRav0Jwc7UX7Ngftiaia9RX41knaEJeX78IVGSsTh5gHH2GlicIO8UGUQAJ9Z9C1we4Hmg/640?wx_fmt=png">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。 #########################转自：https://blog.csdn.net/j2IaYU7Y/article/details/80288455

上一条下一条

栏目最新信息

如果需要分页器