机器学习统计学习常用知识（上）

dbw794363172

已于 2022-08-10 10:18:28 修改

阅读量1k

点赞数

文章标签：机器学习深度学习学习

于 2022-04-24 21:58:41 首次发布

本文链接：https://blog.csdn.net/dbw794363172/article/details/124210115

版权

CART算法——可以用来分类也可以用于回归

特征选择准则：

感知机
1. 定义：
  1. 感知机是实现二分类的线性模型。感知机的学习过程是导入误分类的损失函数，然后利用梯度下降的方法来使他达到最小值；分离超平面f（x）=sign（wx+b） w是权重，w和b是感知机参数
2. 学习策略：
  1. 感知机的学习——将正负实例点正确分开——求出正确分离超平面——损失函数最小（所有点距离超平面的距离之和）
3. 学习算法
  1. 原始形式
    1. 每个点有个坐标（ $x_{i}$ ， $y_{i}^{}$ ） $x_{i}$ 为实例点， $y_{i}^{}$ 为标记(只有1/-1)。当超平面将点都正确分开后，超平面上面的y=1，下面的y=-1.
    2. 算出每个点到超平面的距离之和为损失函数（忽略掉距离之和的分母），求出损失函数的最小值。损失函数为
    3. 求损失函数为最小值的方法为随机梯度下降法
    4. 举例：
  2. 对偶形式
    1. 思路：将w和b表示为 $x_{i}$ 和 $y_{i}^{}$ 的线性组合形式，通过求解其系数而求得w和b
    2. 举例：
4. 总结：
  1. 感知机学习的策略就是极小化损失函数，损失函数是各分类点到超平面的总距离
  2. 原始形式中，首先任意选取一个超平面，然后随机选取一个误差点，使用随机梯度函数的方法求得其最小值。
K近邻
1. K近邻法算法
  1. 定义：是一种基本分类与回归方法。
  2. 面对新的输入实例，在训练集中找到实例周边的K个实例，这K个实例属于哪一类，就把该输入实例分为哪一类
2. K近邻模型
  1. 距离度量
    随着p取值的变化，距离也会发生变化。
  2. K值的选择
    1. 在应用中K通常选一个较小的数，然后用交叉验证的方式来选取最优的K值
    2. 交叉验证：将数据样本切割成较小子集的实用方法。于是可以先在一个子集上做分析，而其它子集则用来做后续对此分析的确认及验证。一开始的子集被称为训练集。而其它的子集则被称为验证集或测试集。
  3. 分类决策规则
    1. 决策规则往往是由多数表决，由输入实例的K个邻近的训练实例多数决定输入实例的类
    2. 误分类率最小等于经验风险最小，多数表决规则等价于经验风险最小化，就要最大
3. K近邻法的实现——kd树
  1. 目的：对训练数据进行快速K近邻搜索。
  2. 构造kd树
    1. 构造kd树相当于不断用垂直于坐标轴的超平面将K维空间切分，构成一系列的k维超矩形区域，kd树的每一个节点对应于一个k维超矩形区域。
    2. 方法：
      1. 构造根节点，根节点包括对应于包含T的k维空间的超矩形区域。
      2. ，选择 $x^{(1)}$ 为坐标轴，以T中所有实例的 $x^{(1)}$ 坐标的中位数为切分点，将此矩形区域划分为两个子区域，左子结点，右子结点。选取中位数的点要选择实例点。
      3. 重复第二步，在左右结点中选取 $x^{(l)}$ 为切分的坐标轴，以 $x^{(l)}$ 中坐标的中位数为切分点，将该矩形区域切分为两个子区域，直到没有可以切分的实例点。
    3. 搜索kd树
      1. 先以输入点所在区域的点为最近邻，同时执行下以下两个步骤
        
        如果该结点保存的实例点比当前最近点距离目标点更近，则以该实例点为“当前最近点”。
        
        (b)当前最近点一定存在于该结点一个子结点对应的区域。检
        查该子结点的父结点的另一子结点对应的区域是否有更近的点。具体地,检查另一子结点对应的区域是否与以目标点为球心、以目标点与“当前最近点”间的距离为半径的超球体相交。如果相交，可能在另一个子结点对应的区域内存在距目标点更近的点，移动到另一个子结点。接着,递归地进行最近邻搜索;
        如果不相交，向上回退。
        
        实例：
4. 总结：
  1. k近邻法是基本且简单的分类与回归方法。k近邻法的基本做法是:对给定的训练实例点和输入实例点，首先确定输入实例点的k个最近邻训练实例点，然后利用这k个训练实例点的类的多数来预测输入实例点的类。
  2. k值的选择反映了对近似误差与估计误差之间的权衡，通常由交叉验证选择最优的k。常用的分类决策规则是多数表决，对应于经验风险最小化。
  3. k近邻法的实现需要考虑如何快速搜索k个最近邻点。kd树是一种便于对k维空间中的数据进行快速检索的数据结构。kd树是二叉树，表示对k维空间的一个划分，其每个结点对应于k维空间划分中的一个超矩形区域。利用kd树可以省去对大部分数据点的搜索，从而减少搜索的计算量。
5. 实例
  1. ```
  import numpy as np
  from sklearn.neighbors import kneighbors_graph, KNeighborsClassifier
  from sklearn.datasets import load_wine
  from sklearn.model_selection import train_test_split
  wine = load_wine()
  X_train, X_test, y_train, y_test = train_test_split(wine.data, wine.target,
                                              test_size=0.3,random_state=1)
  """
  在需要设置random_state的地方给其赋一个值，当多次运行此段代码能够得到完全一样的结果，
  别人运行此代码也可以复现你的过程。若不设置此参数则会随机选择一个种子，执行结果也会因此而不同了。
  虽然可以对random_state进行调参，但是调参后在训练集上表现好的模型未必在陌生训练集上表现好，
  所以一般会随便选取一个random_state的值作为参数。
  X_train, X_test, y_train, y_test  记住这个顺序！！！！！！
  """
  knn = KNeighborsClassifier(n_neighbors=1)
  knn.fit(X_train, y_train)
  print('测试数据得分: {:.2f}'.format(knn.score(X_test, y_test)))
  X_new = np.array([[13.2, 2.77, 2.51, 18.5, 96.6, 1.04, 2.55, 0.57, 1.47, 6.2, 1.05, 3.33, 820]])
  prediction = knn.predict(X_new)
  print('预测新红酒的分类为: {}'.format(wine['target_names'][prediction]))
```

朴素贝叶斯

k为特征数量。

目的：
1. 是基于贝叶斯定理与特征条件的独立假设的分类方法。
学习与分类
1. 朴素贝叶斯是通过训练数据集学习联合概率分布p（x，y），具体地，可以先学先验概率分布及条件概率分布，
朴素贝叶斯算法
1. ：
贝叶斯估计：
1. 1. k为特征数量。
实例：
1. 朴素贝叶斯实例：
2. 贝叶斯估计实例：

实例

import numpy as np
from sklearn.naive_bayes import GaussianNB
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
wine = load_wine()
X_train, X_test, y_train, y_test = train_test_split(wine.data, wine.target, random_state=0,test_size=0.3)

clf = GaussianNB()
clf.fit(X_train, y_train)
GaussianNB()
print('测试数据得分: {:.2f}'.format(clf.score(X_test, y_test)))

X_new = np.array([[13.2, 2.77, 2.51, 18.5, 96.6, 1.04, 2.55, 0.57, 1.47, 6.2, 1.05, 3.33, 820]])
prediction = clf.predict(X_new)
print('预测新红酒的分类为: {}'.format(wine['target_names'][prediction]))
#检测结果：准确率为0.94

决策树
1. 决策树模型与学习
  1. 分类决策树由结点和有向边组成。节点有两种类型：内部节点和叶节点；内部节点表示一个特征或属性，叶节点表示一个类。
  2. 从根节点开始，对实例的某一特征进行测试，根据测试结果，将实例分配到其子节点；这时，每个子节点对应着该特征的一个取值。，循环往复，直到分配到叶节点的类中。
  3. 每个实例都只满足一条规则的条件。
2. 特征选择
  1. 特征选择在于选择对训练数据具有分类能力的特征。而信息增益是方便我们判断那个特征具有更好的分类效果
  2. 信息增益
    
    经验熵
    1. 熵：代表随机变量不确定的程度
    2. 经验条件熵
  3. 信息增益
    1. 定义：
    2. H(D)表示对数据集D进行分类的不确定状态，H(D|A)表示在特征A给定的条件下对数据集D进行分类的不确定性。他们的差，表示的就是由于特征A而产生的不确定性减少的程度。
3. 决策树的生成
  1. C4.5算法
    
    使用信息增益比来选择特征。
4. 剪枝
  1. 定义：
    |T|为决策树叶结点个数，t为决策树T的叶结点，该结点有 $N_{t}$ 个样本点。
    1. 从已生成的树上裁掉一些子树或叶节点，并将其根节点或父节点作为新的叶节点，从而简化分类树模型。
    2. 方法：极小化损失函数或代价函数
    3. 损失函数：
5. CART算法——可以用来分类也可以用于回归
  1. 介绍：
    1. CART是假设决策树是二分树，内部结点特征的取值为“是”或“否”；由以下两个步骤来完成：1.构建决策树，尽可能的大；2.利用极小化损失函数来完成剪枝。
  2. 决策树的生成
    1. 回归树——对回归树用平方误差最小化准则
    2. 分类树——对分类树用基尼指数最小化准则
      1. 基尼指数
      2. 算法
  3. 剪枝：
    1. 从决策树底端开始剪枝，直到根结点，形成一个子树序列
    2. 利用交叉验证法在独立验证数据集上测试，选择最优子树
    3. 算法
      1. 标为以t为根节点的子树的损失函数；C（t）为损失函数函数题
6. 特征选择准则：