机器学习概念
定义
- 机器学习(Machine Learning, ML)主要研究计算机系统对于特定任务的性能,逐步进行改善的算法和统计模型。
- 通过输入海量训练数据对模型进行训练,使模型掌握数据所蕴含的潜在规律,进而对新输入的数据进行准确的分类或预测。
- 是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸优化、算法复杂度理论等多门学科。专门研究计算机怎样模拟或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。
机器学习过程
机器学习主要分类
无监督学习
- 无监督学习(Unsupervised Learning)算法采用一-组仅包含输入的数据,通过寻找数据中的内在结构来进行样本点的分组或聚类。
- 算法从没有被标记或分类的测试数据中学习。
- 无监督学习算法不是响应反馈,而是要识别数据中的共性特征;对于-个新数据,可以通过判断其中是否存在这种特征,来做出相应的反馈。
- 无监督学习的核心应用是统计学中的密度估计和聚类分析。
监督学习
- 监督学习(Supervised Learning)算法构建了包含输入和所需输出的一组数据的数学模型。这些数据称为训练数据,由- -组训练样本组成。
- 监督学习主要包括分类和回归。
- 当输出被限制为有限的- -组值(离 散数值)时使用分类算法;当输出可以具有范围内的任何数值(连续数值)时使用回归算法。
- 相似度学习是和回归和分类都密切相关的一类监督机器学习,它的目标是使用相似性函数从样本中学习,这个函数可以度量两个对象之间的相似度或关联度。它在排名、推荐系统、视觉识别跟踪、人脸识别等方面有很好的应用场景。
监督学习深入理解
监督学习三要素
- 模型:总结数据的内在规律,用数学函数描述的系统
- 策略:选取最优模型的评价准则
- 算法:选取最优模型的具体方法
监督学习实现步骤
- 得到一个有限的训练数据集
- 确定包含所有学习模型的集合
- 确定模型选择的准则,也就是学习策略
- 实现求解最优模型的算法,也就是学习算法
- 通过学习算法选择最优模型
- 利用得到的最优模型,对新数据进行预测或分析
模型评估策略
- 模型评估
- 训练集和测试集
- 损失函数和经验风险
- 训练误差和测试误差
- 模型选择
- 过拟合和欠拟合
- 正则化和交叉验证