1
雷鋒網(wǎng)按：原文作者楊熹，載于作者的個人博客，雷鋒網(wǎng)經(jīng)授權發(fā)布。文中視頻來自YouTube，科學上網(wǎng)后即可觀看。
通過本篇文章可以對ML的常用算法有個常識性的認識，沒有代碼，沒有復雜的理論推導，就是圖解一下，知道這些算法是什么，它們是怎么應用的，例子主要是分類問題。
每個算法都看了好幾個視頻，挑出講的最清晰明了有趣的，便于科普。
以后有時間再對單個算法做深入地解析。
今天的算法如下：
決策樹
隨機森林算法
邏輯回歸
SVM
樸素貝葉斯
K最近鄰算法
K均值算法
Adaboost 算法
神經(jīng)網(wǎng)絡
馬爾可夫
根據(jù)一些 feature 進行分類，每個節(jié)點提一個問題，通過判斷，將數(shù)據(jù)分為兩類，再繼續(xù)提問。這些問題是根據(jù)已有數(shù)據(jù)學習出來的，再投入新數(shù)據(jù)的時候，就可以根據(jù)這棵樹上的問題，將數(shù)據(jù)劃分到合適的葉子上。
在源數(shù)據(jù)中隨機選取數(shù)據(jù)，組成幾個子集
S 矩陣是源數(shù)據(jù)，有 1-N 條數(shù)據(jù)，A B C 是feature，最后一列C是類別
由 S 隨機生成 M 個子矩陣
這 M 個子集得到 M 個決策樹
將新數(shù)據(jù)投入到這 M 個樹中，得到 M 個分類結果，計數(shù)看預測成哪一類的數(shù)目最多，就將此類別作為最后的預測結果
當預測目標是概率這樣的，值域需要滿足大于等于0，小于等于1的，這個時候單純的線性模型是做不到的，因為在定義域不在某個范圍之內(nèi)時，值域也超出了規(guī)定區(qū)間。
所以此時需要這樣的形狀的模型會比較好
那么怎么得到這樣的模型呢？
這個模型需要滿足兩個條件 大于等于0，小于等于1
大于等于0 的模型可以選擇 絕對值，平方值，這里用 指數(shù)函數(shù)，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
再做一下變形，就得到了 logistic regression 模型
通過源數(shù)據(jù)計算可以得到相應的系數(shù)了
最后得到 logistic 的圖形
support vector machine
要將兩類分開，想要得到一個超平面，最優(yōu)的超平面是到兩類的 margin 達到最大，margin就是超平面與離它最近一點的距離，如下圖，Z2>Z1，所以綠色的超平面比較好
將這個超平面表示成一個線性方程，在線上方的一類，都大于等于1，另一類小于等于－1
點到面的距離根據(jù)圖中的公式計算
所以得到 total margin 的表達式如下，目標是最大化這個 margin，就需要最小化分母，于是變成了一個優(yōu)化問題
舉個栗子，三個點，找到最優(yōu)的超平面，定義了 weight vector＝（2，3）－（1，1）
得到 weight vector 為（a，2a），將兩個點代入方程，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，進而得到超平面的表達式。
a 求出來后，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
舉個在 NLP 的應用
給一段文字，返回情感分類，這段文字的態(tài)度是positive，還是negative
為了解決這個問題，可以只看其中的一些單詞
這段文字，將僅由一些單詞和它們的計數(shù)代表
原始問題是：給你一句話，它屬于哪一類
通過 bayes rules 變成一個比較簡單容易求得的問題
問題變成，這一類中這句話出現(xiàn)的概率是多少，當然，別忘了公式里的另外兩個概率
栗子：單詞 love 在 positive 的情況下出現(xiàn)的概率是 0.1，在 negative 的情況下出現(xiàn)的概率是 0.001
k nearest neighbours
給一個新的數(shù)據(jù)時，離它最近的 k 個點中，哪個類別多，這個數(shù)據(jù)就屬于哪一類
栗子：要區(qū)分 貓 和 狗，通過 claws 和 sound 兩個feature來判斷的話，圓形和三角形是已知分類的了，那么這個 star 代表的是哪一類呢
k＝3時，這三條線鏈接的點就是最近的三個點，那么圓形多一些，所以這個star就是屬于貓
想要將一組數(shù)據(jù)，分為三類，粉色數(shù)值大，黃色數(shù)值小
最開心先初始化，這里面選了最簡單的 3，2，1 作為各類的初始值
剩下的數(shù)據(jù)里，每個都與三個初始值計算距離，然后歸類到離它最近的初始值所在類別
分好類后，計算每一類的平均值，作為新一輪的中心點
幾輪之后，分組不再變化了，就可以停止了
adaboost 是 bosting 的方法之一
bosting就是把若干個分類效果并不好的分類器綜合起來考慮，會得到一個效果比較好的分類器。
下圖，左右兩個決策樹，單個看是效果不怎么好的，但是把同樣的數(shù)據(jù)投入進去，把兩個結果加起來考慮，就會增加可信度
adaboost 的栗子，手寫識別中，在畫板上可以抓取到很多 features，例如 始點的方向，始點和終點的距離等等
training 的時候，會得到每個 feature 的 weight，例如 2 和 3 的開頭部分很像，這個 feature 對分類起到的作用很小，它的權重也就會較小
而這個 alpha 角 就具有很強的識別性，這個 feature 的權重就會較大，最后的預測結果是綜合考慮這些 feature 的結果
Neural Networks 適合一個input可能落入至少兩個類別里
NN 由若干層神經(jīng)元，和它們之間的聯(lián)系組成
第一層是 input 層，最后一層是 output 層
在 hidden 層 和 output 層都有自己的 classifier
input 輸入到網(wǎng)絡中，被激活，計算的分數(shù)被傳遞到下一層，激活后面的神經(jīng)層，最后output 層的節(jié)點上的分數(shù)代表屬于各類的分數(shù)，下圖例子得到分類結果為 class 1
同樣的 input 被傳輸?shù)讲煌墓?jié)點上，之所以會得到不同的結果是因為各自節(jié)點有不同的weights 和 bias
這也就是 forward propagation
Markov Chains 由 state 和 transitions 組成
栗子，根據(jù)這一句話 ‘the quick brown fox jumps over the lazy dog’，要得到 markov chain
步驟，先給每一個單詞設定成一個狀態(tài)，然后計算狀態(tài)間轉(zhuǎn)換的概率
這是一句話計算出來的概率，當你用大量文本去做統(tǒng)計的時候，會得到更大的狀態(tài)轉(zhuǎn)移矩陣，例如 the 后面可以連接的單詞，及相應的概率
生活中，鍵盤輸入法的備選結果也是一樣的原理，模型會更高級
雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
