machine learning-model总结

算法部分

ml-分类算法

回归

$给定一个训练集，怎么学习参数θ，从而达到比较好的拟合效果？一个直观的想法是使得预测值h(x)尽可能接近y，为了达到这个目的，我们对于每一个参数θ，定义一个代价函数cost function用来描述h(x(i))'与对应的y(i)'的接近程度：$

1. 梯度下降
   现在我们要调整θ使得J(θ)取得最小值，为了达到这个目的，我们可以对θ取一个随机初始值（随机初始化的目的是使对称失效），然后不断地迭代改变θ的值来使J(θ)减小，直到最终收敛取得一个θ值使得J(θ)最小。梯度下降法就采用这样的思想：对θ设定一个随机初值，然后迭代进行以下更新。
   
   直到收敛，这里的α称为学习率learning rate。
   梯度方向由J(θ)对θ 的偏导数决定，由于要求的是最小值，因此对偏导数取负值得到梯度方向。将J(θ)代入可得到总的更新公式。
   下面的更新规则称为LMS update rule（least mean squares），也称为Widrow-Hoff learning rule。
   
   对于如下更新算法：
   
   由于在每一次迭代都考察训练集的所有样本，而称为批量梯度下降batch gradient descent。
   如果参数更新计算算法如下：
   
   这里我们按照单个训练样本更新θ的值，称为随机梯度下降stochastic gradient descent。比较这两种梯度下降算法，由于batch gradient descent在每一步都考虑全部数据集，因而复杂度比较高，随机梯度下降会比较快地收敛，而且在实际情况中两种梯度下降得到的最优解J(θ)一般会接近真实的最小值。所以对于较大的数据集，一般采用效率较高的随机梯度下降法。
   参考：http://www.cnblogs.com/fanyabo/p/4060498.html

决策树

参考：http://www.cnblogs.com/hsydj/p/5853954.html

构建方法：
- 深度优先
- 广度优先

策树节点分裂终止条件：

贝叶斯

SVM

ANN

Deep-NN

优化算法

ml-聚类算法

ml-关联分析

推荐系统

模型方面

数据预处理部分

参数调优

模型评价

python

大数据平台