网页相册制作,济南seo网站推广,校园论坛网站怎么做,No商业网站建设可以利用无监督学习解决的问题#xff0c;大致分为两类#xff1a;
关联分析#xff1a;发现不同事物之间同时出现的概率。在购物篮分析中被广泛地应用。如果发现买面包的客户有百分之八十的概率买鸡蛋#xff0c;那么商家就会把鸡蛋和面包放在相邻的货架上。
聚类问题大致分为两类
关联分析发现不同事物之间同时出现的概率。在购物篮分析中被广泛地应用。如果发现买面包的客户有百分之八十的概率买鸡蛋那么商家就会把鸡蛋和面包放在相邻的货架上。
聚类问题将相似的样本划分为一个簇cluster。与分类问题不同聚类问题预先并不知道类别自然训练数据也没有类别的标签。
维度约减顾名思义维度约减是指减少数据的维度同时保证不丢失有意义的信息。利用特征提取方法和特征选择方法可以达到维度约减的效果。特征选择是指选择原始变量的子集。特征提取是将数据从高纬度转换到低纬度。广为熟知的主成分分析算法就是特征提取的方法。
下面介绍的第六-第八Apriori算法K-means算法PCA主成分分析都属于无监督学习。
3. 强化学习 通过学习可以获得最大回报的行为强化学习可以让agent个体根据自己当前的状态来决定下一步采取的动作。
强化学习算法通过反复试验来学习最优的动作。这类算法在机器人学中被广泛应用。在与障碍物碰撞后机器人通过传感收到负面的反馈从而学会去避免冲突。在视频游戏中我们可以通过反复试验采用一定的动作获得更高的分数。Agent能利用回报去理解玩家最优的状态和当前他应该采取的动作。
1.常见机器学习算法概念简介 1、监督学习SupervisedLearning有类别标签的学习基于训练样本的输入、输出训练得到最优模型再使用该模型预测新输入的输出
代表算法决策树、朴素贝叶斯、逻辑回归、KNN、SVM、神经网络、随机森林、AdaBoost、遗传算法
2、半监督学习Semi-supervisedLearning同时使用大量的未标记数据和标记数据进行模式识别工作
代表算法self-training(自训练算法)、generative models生成模型、SVMs半监督支持向量机、graph-basedmethods图论方法、 multiviewlearing多视角算法等
3、无监督学习UnsupervisedLearning无类别标签的学习只给定样本的输入自动从中寻找潜在的类别规则
代表算法主成分分析方法PCA等等距映射方法、局部线性嵌入方法、拉普拉斯特征映射方法、黑塞局部线性嵌入方法、局部切空间排列方法等
4、HOG特征全称Histogram of Oriented Gradient方向梯度直方图由图像的局部区域梯度方向直方图构成特征
5、LBP特征全称Local Binary Pattern局部二值模式通过比较中心与邻域像素灰度值构成图像局部纹理特征
6、Haar特征描述图像的灰度变化由各模块的像素差值构成特征
7、核函数Kernels从低维空间到高维空间的映射把低维空间中线性不可分的两类点变成线性可分的
8、SVM全称Support Vector Machine支持向量机在特征空间上找到最佳的超平面使训练集正负样本的间隔最大是解决二分类问题的有监督学习算法引入核方法后也可用来解决非线性问题
9、Adaboost全称Adaptive Boosting自适应增强对同一个训练集训练不同的弱分类器把这些弱分类器集合起来构成一个更强的强分类器
10、决策树算法Decision Tree处理训练数据构建决策树模型再对新数据进行分类
11、随机森林算法Random Forest使用基本单元决策树通过集成学习将多棵树集成
12、朴素贝叶斯Naive Bayes根据事件的先验知识描述事件的概率对联合概率建模来获得目标概率值
13、神经网络Neural Networks模仿动物神经网络行为特征将许多个单一“神经元”联结在一起通过调整内部大量节点之间相互连接的关系进行分布式并行信息处理。
2.其余理论知识 偏差
偏差度量了模型的期望预测与真实结果的偏离程度 即刻画了学习算法本身的拟合能力。偏差则表现为在特定分布上的适应能力偏差越大越偏离真实值。
方差
方差度量了同样大小的训练集的变动所导致的学习性能的变化 即刻画了数据扰动所造成的影响。方差越大说明数据分布越分散。
噪声
噪声表达了在当前任务上任何模型所能达到的期望泛化误差的下界 即刻画了学习问题本身的难度 。
过拟合的原因在于
参数太多模型复杂度过高
建模样本选取有误导致选取的样本数据不足以代表预定的分类规则
样本噪音干扰过大使得机器将部分噪音认为是特征从而扰乱了预设的分类规则
假设的模型无法合理存在或者说是假设成立的条件实际并不成立。
欠拟合的原因在于
特征量过少
模型复杂度过低。
Q3怎么解决欠拟合
增加新特征可以考虑加入进特征组合、高次特征来增大假设空间
添加多项式特征这个在机器学习算法里面用的很普遍例如将线性模型通过添加二次项或者三次项使模型泛化能力更强
减少正则化参数正则化的目的是用来防止过拟合的但是模型出现了欠拟合则需要减少正则化参数
使用非线性模型比如核SVM 、决策树、深度学习等模型
调整模型的容量(capacity)通俗地模型的容量是指其拟合各种函数的能力
容量低的模型可能很难拟合训练集。
Q4怎么解决过拟合重点
获取和使用更多的数据数据集增强——解决过拟合的根本性方法
特征降维:人工选择保留特征的方法对特征进行降维
加入正则化控制模型的复杂度
Dropout
Early stopping
交叉验证 增加噪声
因此逻辑回归的目标便是训练数据找到适当的参数的值使得预测的输出和实际的输出最小。我们使用最大似然估计来对参数进行估计。
分类回归树是诸多决策树模型的一种实现类似还有ID3、C4.5、CART等算法。
非终端节点有根节点Root Node和内部节点(Internal Node)。终端节点是叶子节点(Leaf Node)。每一个非终端节点代表一个输出变量X和一个分岔点叶叶子节点代表输出变量Y见图3。沿着树的分裂在分岔点做一次决策到达叶子节点输出便是当前叶子节点所代表的值。
P(h|d)后验概率。这是在给定数据d的前提下假设h为真的概率。
P(d|h)可能性。这是在给定假设h为真的前提下数据d的概率。
P(h)类先验概率。这是假设h为真时的概率与数据无关
P(d)预测器先验概率。这是数据的概率与假设无关
K最近邻算法是利用整个数据集作为训练集而不是将数据集分成训练集和测试集。
当要预测一个新的输入实体的输出时k最近邻算法寻遍整个数据集去发现k个和新的实体距离最近的实体或者说k个与新实体最相似的实体然后得到这些输出的均值对于回归问题或者最多的类对于分类问题。而k的值一般由用户决定。
不同实体之间的相似度不同的问题有不同的计算方法包括但不限于Euclidean distance 和Hamming distance。
无监督学习算法 6. 关联规则算法 关联规则算法在数据库的候选项集中用来挖掘出现频繁项集并且发现他们之间的关联规则。关联规则算法在购物篮分析中得到了很好的应用。所谓的购物篮分析是指找到数据库中出现频率最高的事物的组合。通常如果存在关联规则“购买了商品x的人也会购买商品y”我们将其记作x–y。
比如如果一个人购买了牛奶和糖那么他很有可能会购买咖啡粉。在充分考虑了支持度support和置信度confidence后得到关联规则。 支持度support检验项目集是否频繁。支持度的检验是符合Apriori原理的即当一个项目集是频繁的那么它所有的子集一定也是频繁的。
我们通过置信度confidence的高低从频繁项集中找出强关联规则。
根据提升度lift从强关联规则中筛选出有效的强关联规则。 主成分分析是通过减少变量的维度去除数据中冗余的部分或实现可视化。基本的思路将数据中最大方差的部分反映在一个新的坐标系中这个新的坐标系则被称为“主要成分”。其中每一个成分都是原来成分的线性组合并且每一成分之间相互正交。正交性保证了成分之间是相互独立的。
第一主成分反映了数据最大方差的方向。第二主成分反映了数据中剩余的变量的信息并且这些变量是与第一主成分无关的。同样地其他主成分反映了与之前成分无关的变量的信息。
集成学习是一种将不同学习模型比如分类器的结果组合起来通过投票或平均来进一步提高准确率。一般对于分类问题用投票对于回归问题用平均。这样的做法源于“众人拾材火焰高”的想法。
集成算法主要有三类BaggingBoosting 和Stacking。本文将不谈及stacking。
9. 使用随机森林Bagging随机森林算法多个模型是袋装决策树单个模型的提升版。
Bagging的第一步是针对数据集利用自助抽样法Bootstrap Sampling method建造多个模型。
所谓的自助抽样是指得到一个由原始数据集中随机的子集组成的新的训练集。每一个这样的训练集都和原始训练集的大小相同但其中有一些重复的数据因此并不等于原始训练集。并且我们将原始的数据集用作测试集。因此如果原始数据集的大小为N那么新的训练集的大小也为N其中不重复的数据数量为2N/3测试集的大小为N。
Bagging的第二步是在抽样的不同的训练集上利用相同的算法建造多个模型。
在这里我们以随机森林为例。决策树是靠每一个节点在最重要的特征处分离来减小误差的但与之不同随机森林中我们选择了随机塞选的特征来构造分裂点。这样可以减小所得预测之间的相关性。
每一个分裂点搜索的特征的数量是随机森林算法的参数。
因此用随机森林算法实现的Bagging每一个树都是用随机样本构造的每一个分裂点都是用随机的预测器构造的。 线性模型
数据预处理 一般的线性回归模型要求属性的数据类型为连续值故需要对离散属性进行连续化。 离散属性连续化 分两种情况 属性值之间有序也即属性值有明确的大小关系比方说把二值属性“身高”的取值 {高矮} 可转化为 {1.00.0}三值属性 “高度”的取值 {高中低} 转换编码为 {1.00.50.0} 属性值之间无序若该属性有 k个属性值则通常把它转换为 k 维向量比方说把无序离散属性 “商品” 的取值 {牙膏牙刷毛巾} 转换为 (001)(010)(100)。 这种做法在 自然语言处理和推荐系统 实现中很常见属性 “单词” 和 “商品” 都是无序离散变量在建模前往往需要把这样的变量转换为哑变量否则会引入不恰当的序关系从而影响后续处理比如距离的计算。 最大化对数似然函数求θ \thetaθ,相当于最小化对数似然函数的相反数。 求解模型就是要求解参数的取值 这个是直接求解 这个就是模型训练的
