[幹貨]基礎機器學習算法

本篇內容主要是麵向機器學習初學者,介紹常見的機器學習算法，當然,歡迎同行交流。

哲學要回答的基本問題是從哪裏來、我是誰、到哪裏去，尋找答案的過程或許可以借鑒機器學習的套路：組織數據->挖掘知識->預測未來。組織數據即為設計特征，生成滿足特定格式要求的樣本，挖掘知識即建模，而預測未來就是對模型的應用。

特征設計依賴於對業務場景的理解，可分為連續特征、離散特征和組合高階特征。本篇重點是機器學習算法的介紹，可以分為監督學習和無監督學習兩大類。

無監督學習算法很多，最近幾年業界比較關注主題模型，LSA->PLSA->LDA為主題模型三個發展階段的典型算法，它們主要是建模假設條件上存在差異。LSA假設文檔隻有一個主題，PLSA假設各個主題的概率分布不變（theta都是固定的），LDA假設每個文檔和詞的主題概率是可變的。

LDA算法本質可以借助上帝擲骰子幫助理解，詳細內容可參加Rickjin寫的《LDA數據八卦》文章，淺顯易懂，順便也科普了很多數學知識，非常推薦。

監督學習可分為分類和回歸，感知器是最簡單的線性分類器，現在實際應用比較少，但它是神經網絡、深度學習的基本單元。

線性函數擬合數據並基於閾值分類時，很容易受噪聲樣本的幹擾，影響分類的準確性。邏輯回歸（Logistic Regression）利用sigmoid函數將模型輸出約束在0到1之間，能夠有效弱化噪聲數據的負麵影響，被廣泛應用於互聯網廣告點擊率預估。

邏輯回歸模型參數可以通過最大似然求解，首先定義目標函數L(theta)，然後log處理將目標函數的乘法邏輯轉化為求和邏輯（最大化似然概率 -> 最小化損失函數），最後采用梯度下降求解。

相比於線性分類去，決策樹等非線性分類器具有更強的分類能力，ID3和C4.5是典型的決策樹算法，建模流程基本相似，兩者主要在增益函數（目標函數）的定義不同。

線性回歸和線性分類在表達形式上是類似的，本質區別是分類的目標函數是離散值，而回歸的目標函數是連續值。目標函數的不同導致回歸通常基於最小二乘定義目標函數，當然，在觀測誤差滿足高斯分布的假設情況下，最小二乘和最大似然可以等價。

當梯度下降求解模型參數時，可以采用Batch模式或者Stochastic模式，通常而言，Batch模式準確性更高，Stochastic模式複雜度更低。

上文已經提到，感知器雖然是最簡單的線性分類器，但是可以視為深度學習的基本單元，模型參數可以由自動編碼（Auto Encoder）等方法求解。

深度學習的優勢之一可以理解為特征抽象，從底層特征學習獲得高階特征，描述更為複雜的信息結構。例如，從像素層特征學習抽象出描述紋理結構的邊緣輪廓特征，更進一步學習獲得表征物體局部的更高階特征。

俗話說三個臭皮匠賽過諸葛亮，無論是線性分類還是深度學習，都是單個模型算法單打獨鬥，有沒有一種集百家之長的方法，將模型處理數據的精度更進一步提升呢？當然，Model Ensembel就是解決這個問題。Bagging為方法之一，對於給定數據處理任務，采用不同模型/參數/特征訓練多組模型參數，最後采用投票或者加權平均的方式輸出最終結果。