毫無(wú)疑問(wèn)，近些年機(jī)器學(xué)習(xí)和人工智能領(lǐng)域受到了越來(lái)越多的關(guān)注。隨著大數(shù)據(jù)成為當(dāng)下工業(yè)界最火爆的技術(shù)趨勢(shì)，機(jī)器學(xué)習(xí)也借助大數(shù)據(jù)在預(yù)測(cè)和推薦方面取得了驚人的成績(jī)。比較有名的機(jī)器學(xué)習(xí)案例包括Netflix根據(jù)用戶歷史瀏覽行為給用戶推薦電影，亞馬遜基于用戶的歷史購(gòu)買行為來(lái)推薦圖書(shū)。

那么，如果你想要學(xué)習(xí)機(jī)器學(xué)習(xí)的算法，該如何入門呢？就我而言，我的入門課程是在哥本哈根留學(xué)時(shí)選修的人工智能課程。老師是丹麥科技大學(xué)應(yīng)用數(shù)學(xué)和計(jì)算機(jī)專業(yè)的全職教授，他的研究方向是邏輯學(xué)和人工智能，主要是用邏輯學(xué)的方法來(lái)建模。課程包括了理論/核心概念的探討和動(dòng)手實(shí)踐兩個(gè)部分。我們使用的教材是人工智能的經(jīng)典書(shū)籍之一：PeterNorvig教授的《人工智能——一種現(xiàn)代方法》，課程涉及到了智能代理、基于搜索的求解、對(duì)抗搜索、概率論、多代理系統(tǒng)、社交化人工智能，以及人工智能的倫理和未來(lái)等話題。在課程的后期，我們?nèi)齻€(gè)人還組隊(duì)做了編程項(xiàng)目，實(shí)現(xiàn)了基于搜索的簡(jiǎn)單算法來(lái)解決虛擬環(huán)境下的交通運(yùn)輸任務(wù)。

我從課程中學(xué)到了非常多的知識(shí)，并且打算在這個(gè)專題里繼續(xù)深入學(xué)習(xí)。在過(guò)去幾周內(nèi)，我參與了舊金山地區(qū)的多場(chǎng)深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)架構(gòu)的演講——還有一場(chǎng)眾多知名教授云集的機(jī)器學(xué)習(xí)會(huì)議。最重要的是，我在六月初注冊(cè)了Udacity的《機(jī)器學(xué)習(xí)導(dǎo)論》在線課程，并且在幾天前學(xué)完了課程內(nèi)容。在本文中，我想分享幾個(gè)我從課程中學(xué)到的常用機(jī)器學(xué)習(xí)算法。

機(jī)器學(xué)習(xí)算法通?？梢员环譃槿箢悺O(jiān)督式學(xué)習(xí)，非監(jiān)督式學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。監(jiān)督式學(xué)習(xí)主要用于一部分?jǐn)?shù)據(jù)集（訓(xùn)練數(shù)據(jù)）有某些可以獲取的熟悉（標(biāo)簽），但剩余的樣本缺失并且需要預(yù)測(cè)的場(chǎng)景。非監(jiān)督式學(xué)習(xí)主要用于從未標(biāo)注數(shù)據(jù)集中挖掘相互之間的隱含關(guān)系。強(qiáng)化學(xué)習(xí)介于兩者之間——每一步預(yù)測(cè)或者行為都或多或少有一些反饋信息，但是卻沒(méi)有準(zhǔn)確的標(biāo)簽或者錯(cuò)誤提示。由于這是入門級(jí)的課程，并沒(méi)有提及強(qiáng)化學(xué)習(xí)，但我希望監(jiān)督式學(xué)習(xí)和非監(jiān)督式學(xué)習(xí)的十個(gè)算法足夠吊起你的胃口了。

監(jiān)督式學(xué)習(xí)

1.決策樹(shù)：

決策樹(shù)是一種決策支持工具，它使用樹(shù)狀圖或者樹(shù)狀模型來(lái)表示決策過(guò)程以及后續(xù)得到的結(jié)果，包括概率事件結(jié)果等。請(qǐng)觀察下圖來(lái)理解決策樹(shù)的結(jié)構(gòu)。

從商業(yè)決策的角度來(lái)看，決策樹(shù)就是通過(guò)盡可能少的是非判斷問(wèn)題來(lái)預(yù)測(cè)決策正確的概率。這種方法可以幫你用一種結(jié)構(gòu)性的、系統(tǒng)性的方法來(lái)得出合理的結(jié)論。

2.樸素貝葉斯分類器：

樸素貝葉斯分類器是一類基于貝葉斯理論的簡(jiǎn)單的概率分類器，它假設(shè)特征之前是相互獨(dú)立的。下圖所示的就是公式——P(A|B)表示后驗(yàn)概率，P(B|A)是似然值，P(A)是類別的先驗(yàn)概率，P(B)代表預(yù)測(cè)器的先驗(yàn)概率。

現(xiàn)實(shí)場(chǎng)景中的一些例子包括：

檢測(cè)垃圾電子郵件

將新聞分為科技、政治、體育等類別

判斷一段文字表達(dá)積極的情緒還是消極的情緒

用于人臉檢測(cè)軟件

3.最小平方回歸：

如果你學(xué)過(guò)統(tǒng)計(jì)課程，也許聽(tīng)說(shuō)過(guò)線性回歸的概念。最小平方回歸是求線性回歸的一種方法。你可以把線性回歸想成是用一條直線擬合若干個(gè)點(diǎn)。擬合的方法有許多種，“最小平方”的策略相當(dāng)于你畫一條直線，然后計(jì)算每個(gè)點(diǎn)到直線的垂直距離，最后把各個(gè)距離求和；最佳擬合的直線就是距離和最小的那一條。

線性指的是用于擬合數(shù)據(jù)的模型，而最小平方指的是待優(yōu)化的損失函數(shù)。

4.邏輯回歸：

邏輯回歸模型是一種強(qiáng)大的統(tǒng)計(jì)建模方式，它用一個(gè)或多個(gè)解釋性變量對(duì)二值輸出結(jié)果建模。它用邏輯斯蒂函數(shù)估計(jì)概率值，以此衡量分類依賴變量和一個(gè)或多個(gè)獨(dú)立的變量之間的關(guān)系，這屬于累積的邏輯斯蒂分布。

通常來(lái)說(shuō)，邏輯回歸模型在現(xiàn)實(shí)場(chǎng)景中的應(yīng)用包括：

信用評(píng)分

預(yù)測(cè)商業(yè)活動(dòng)的成功概率

預(yù)測(cè)某款產(chǎn)品的收益

預(yù)測(cè)某一天發(fā)生地震的概率

5.支持向量機(jī)：

支持向量機(jī)是一種二分類算法。在N維空間中給定兩類點(diǎn)，支持向量機(jī)生成一個(gè)（N-1）維的超平面將這些點(diǎn)分為兩類。舉個(gè)例子，比如在紙上有兩類線性可分的點(diǎn)。支持向量機(jī)會(huì)尋找一條直線將這兩類點(diǎn)區(qū)分開(kāi)來(lái)，并且與這些點(diǎn)的距離都盡可能遠(yuǎn)。

利用支持向量機(jī)（結(jié)合具體應(yīng)用場(chǎng)景做了改進(jìn)）解決的大規(guī)模問(wèn)題包括展示廣告、人體結(jié)合部位識(shí)別、基于圖像的性別檢查、大規(guī)模圖像分類等……

6.集成方法：

集成方法是先構(gòu)建一組分類器，然后用各個(gè)分類器帶權(quán)重的投票來(lái)預(yù)測(cè)新數(shù)據(jù)的算法。最初的集成方法是貝葉斯平均，但最新的算法包括誤差糾正輸出編碼和提升算法。

那么集成模型的原理是什么，以及它為什么比獨(dú)立模型的效果好呢？

它們消除了偏置的影響：比如把民主黨的問(wèn)卷和共和黨的問(wèn)卷混合，從中得到的將是一個(gè)不倫不類的偏中立的信息。

它們能減小預(yù)測(cè)的方差：多個(gè)模型聚合后的預(yù)測(cè)結(jié)果比單一模型的預(yù)測(cè)結(jié)果更穩(wěn)定。在金融界，這被稱為是多樣化——多個(gè)股票的混合產(chǎn)品波動(dòng)總是遠(yuǎn)小于單個(gè)股票的波動(dòng)。這也解釋了為何增加訓(xùn)練數(shù)據(jù)，模型的效果會(huì)變得更好。

它們不容易產(chǎn)生過(guò)擬合：如果單個(gè)模型不會(huì)產(chǎn)生過(guò)擬合，那么將每個(gè)模型的預(yù)測(cè)結(jié)果簡(jiǎn)單地組合（取均值、加權(quán)平均、邏輯回歸），沒(méi)有理由產(chǎn)生過(guò)擬合。

非監(jiān)督學(xué)習(xí)

7.聚類算法：

聚類算法的任務(wù)是將一群物體聚成多個(gè)組，分到同一個(gè)組（簇）的物體比其它組的物體更相似。

每種聚類算法都各不相同，這里列舉了幾種：

基于類心的聚類算法

基于連接的聚類算法

基于密度的聚類算法

概率型算法

降維算法

神經(jīng)網(wǎng)絡(luò)/深度學(xué)習(xí)

8.主成分分析：

主成分分析屬于統(tǒng)計(jì)學(xué)的方法，過(guò)正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，轉(zhuǎn)換后的這組變量叫主成分。

主成分分析的一些實(shí)際應(yīng)用包括數(shù)據(jù)壓縮，簡(jiǎn)化數(shù)據(jù)表示，數(shù)據(jù)可視化等。值得一提的是需要領(lǐng)域知識(shí)來(lái)判斷是否適合使用主成分分析算法。如果數(shù)據(jù)的噪聲太大（即各個(gè)成分的方差都很大），就不適合使用主成分分析算法。

9.奇異值分解：

奇異值分解是線性代數(shù)中一種重要的矩陣分解，是矩陣分析中正規(guī)矩陣酉對(duì)角化的推廣。對(duì)于給定的m*n矩陣M，可以將其分解為M=UΣV，其中U和V是m×m階酉矩陣，Σ是半正定m×n階對(duì)角矩陣。

主成分分析其實(shí)就是一種簡(jiǎn)單的奇異值分解算法。在計(jì)算機(jī)視覺(jué)領(lǐng)域中，第一例人臉識(shí)別算法使用了主成分分析和奇異值分解將人臉表示為一組“特征臉（eigenfaces）”的線性組合，經(jīng)過(guò)降維，然后利用簡(jiǎn)單的方法匹配候選人臉。盡管現(xiàn)代的方法更加精細(xì)，許多技術(shù)還是于此很相似。

10.獨(dú)立成分分析：

獨(dú)立成分分析是一種利用統(tǒng)計(jì)原理進(jìn)行計(jì)算來(lái)揭示隨機(jī)變量、測(cè)量值或者信號(hào)背后的隱藏因素的方法。獨(dú)立成分分析算法給所觀察到的多變量數(shù)據(jù)定義了一個(gè)生成模型，通常這些變量是大批量的樣本。在該模型中，數(shù)據(jù)變量被假定為一些未知的潛變量的線性混合，而且混合系統(tǒng)也未知。潛變量被假定是非高斯和相互獨(dú)立的，它們被稱為所觀察到的數(shù)據(jù)的獨(dú)立分量。

獨(dú)立成分分析與主成分分析有關(guān)聯(lián)，但它是一個(gè)更強(qiáng)大的技術(shù)。它能夠在這些經(jīng)典方法失效時(shí)仍舊找到數(shù)據(jù)源的潛在因素。它的應(yīng)用包括數(shù)字圖像、文檔數(shù)據(jù)庫(kù)、經(jīng)濟(jì)指標(biāo)和心理測(cè)量。

現(xiàn)在，請(qǐng)運(yùn)用你所理解的算法，去創(chuàng)造機(jī)器學(xué)習(xí)應(yīng)用，改善全世界人們的生活質(zhì)量吧。

總結(jié)

以上就是本文關(guān)于淺談機(jī)器學(xué)習(xí)需要的了解的十大算法的全部?jī)?nèi)容，希望對(duì)大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站Python和算法相關(guān)專題，如有不足之處，歡迎留言指出。感謝朋友們對(duì)本站的支持！

最新評(píng)論