机器学习(Machine Learning)

百度搜索 : 机器学习涉及概率论、统计学、逼近论、凸分析、算法复杂度理论多门学科。研究计算机怎样模拟、实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能 . 是人工智能的核心，使计算机具有智能的根本途径，应用遍及人工智能的各个领域，主要使用归纳、综合 .

 

什么是建模

建模是指利用模型学习已知结果的数据集中的变量特征,通过一系列方法提高模型的学习能力,最终对一些结果未知的数据集输出相应的结果.

可以表达成 y=f(x)  其中x代表样本的特征, y是输出的结果

 

机器学习方法

监督学习Supervised learning

监督学习两大问题: 分类classification、 回归regression

监督常见模型:

1. 最近邻( KNN ):  适用于小型数据集 , 是很好的基准模型 , 容易解释 .
2. 线性模型( Linear Regression ):  非常可靠的首选算法 , 适用于非常大的数据集 , 也适用于高维数据.
3. 朴素贝叶斯( Naive Bayes ):   只适用于分类问题 , 比线性模型速度还快 , 适用于非常大的数据集和高维数据 , 精度通常要低于线性模型. 
4. 决策树( Decision Tree ):  速度很快 , 不需要数据缩放 , 可以可视化 , 很容易解释 .
5. 随机森林( Random Forest ):  几乎比单棵决策树的表现要好 , 鲁棒性很好 , 非常强大 , 不需要数据缩放 , 不适用于高维稀疏数据.
6. 梯度提升决策树: 精度通常比随机森林略高. 与随机森林相比 , 训练速度更慢 , 但预测速度更快 , 需要的内存也更少 . 比随机森林需要更多的参数调节 . 
7. 支持向量机( SVM ): 对于特征含义相似的中等大小的数据集很强大 , 需要数据缩放 , 对参数敏感 .
8. 神经网络 : 可以构建非常复杂的模型 , 特别是对于大型数据集而言 , 对数据缩放敏感 , 对参数选取敏感 ,  大型网络需要很长的训练时间 . 

每个模型都有自己的优缺点, 复杂度也不一样, 设置正确的参数对于性能至关重要.输入数据的方式也很敏感,尤其是特征的缩放. 

无监督学习unsupervised learning

无监督学习: 数据集只给特征,不给标签,不需要人为标注给出语料答案.

无监督学习包括没有已知输出、没有知道学习算法的各类机器学习, 无监督学习中只有输入数据, 需要从这些数据中自己学习挖掘信息.

两种类型的无监督学习:数据集变换与聚类

经典的算法：k-聚类、主成分分析

半监督学习semi supervised learning

半监督学习介于监督学习和无监督学习两者之间,已知数据和部分数据对应标签，有一部分数据无标签.

模型学习已知标签和未知标签的数据 , 将输入数据映射到标签的过程 .

强化学习reinforcement learning

强化学习是一种学习模型 , 它不会直接给你解决方案 , 需要通过试错的方式去寻找 , AlphaGo就是用的强化学习 . 

 

数据集分类

训练集、验证集、测试集

训练集: 结果已知,用于模型训练拟合的数据样本, 占总体的70%~80%

验证集:结果已知,不参与模型训练的拟合过程, 用于验证已经训练过的模型效果.同时对模型中的超参数进行选择

测试集:结果未知,测试机器训练结果的准确性,或是利用模型输出结果的数据集

测试机与训练集最好独立分割,不可重复使用.

模型在真实数据上预测的结果误差越小越好。模型在真实环境中的误差叫做泛化误差，最终的目的是希望训练好的模型泛化误差越低越好。

 

评价指标TP/FP/FN/TN

• True positive(TP): 真正例，将正例正确预测为正例数；
• False positive(FP): 假正例，将负例错误预测为正例数；
• False negative(FN):假负例，将正例错误预测为负例数；
• True negative(TN): 真负例，将负例正确预测为负例数。

P/N代表预测值，如预测值与真实值一样，则是真x例，反之是假x例。

 

文字模型、图片模型、策略分析

文字模型：用于机器检测语料中的命中目标: 大多是文字、语句、关键词,多应用于对文字语料爬取信息等进行风险识别、黑词识别等

图片模型：用于机器检测图片中的命中目标: 也可对艺术字,变体字进行识别,或识别对图片中的敏感标志、人物、政治宗教、风险物品进行捕捉、定位、识别

策略分析：在明确策略应用场景, 通过验证策略命中数据是否正确,分析策略误杀数据的特征.给出优化方案

 

模型的泛化与拟合

泛化: 指机器学习算法对新鲜样本的适应能力。 学习目的是学到隐含在数据背后的规律，对具有同一规律的测试集以外的数据，经过训练也能给出合适的输出，该能力称为泛化能力。

即 : 经训练样本训练的模型需要对新样本做出合适的预测，这是泛化能力的体现

把模型训练的过程比作人类学习过程

欠拟合：泛化能力弱，新题老题不会做
       过拟合：泛化能力弱，遇到新题就懵逼
       不收敛：新题旧题全靠猜
       拟   合：学霸，新题旧题大概率都可做出来

 

 

 

模型的准确率、召回率、正确率

(二分类问题中的重要指标,其中语料同样本)

模型准确率：机器分类正确的正例样本 占 分类为正例样本总数中的比例 

分类为正例样本包括 : 真正例TP +  假正例FP(将负例判断成正例)

precision = TP/(TP+FP)   

 

模型召回率：机器分类正确的正例样本 占 真正正例样本总数的比例

真正正例样本总数包括: 真正例TP+ 假负例(将正类错误判断为负类数)

Recall  =   TP/(TP+FN)   

 

模型正确率：指机器分类判断正确的数量

accuracy  =   TP+TN /  (TP+FN+FP+TN)   

 

模型衰减与模型迭代

模型衰减：如随着时间的推移和线上素材的复杂性和多样性，机器训练模型的准确性会慢慢衰减.  其他应用场景暂不涉及

模型迭代：为了避免模型衰减带来应用效果结果不准确，通过定期的语料样本迭代，优化机器模型，保证模型应用效果

 

以上持续更新中