聊聊经典机器学习入门

这是鼎叔的第一百零五篇原创文章。行业大牛和刚毕业的小白，都可以进来聊聊。

欢迎关注本专栏和微信公众号《敏捷测试转型》，星标收藏，大量原创思考文章陆续推出。本人新书《无测试组织-测试团队的敏捷转型》已出版（机械工业出版社），文末有链接。

进入正式的机器学习科目学习，通常是先从掌握经典算法和概念开始，进而编程实践，如下科目知识属于经典的必学内容。

模型误差和训练数据

如果模型过于复杂（噪音过多），参数过多，或者失去泛化能力，回归结果就称为过拟合；反之，建模有欠缺，或者参数过少，导致回归模型误差太大，称之为欠拟合。这两种情况都难以满足回归的质量要求。

模型误差的原因有两类，一类是训练误差，也称为“经验误差”，还有一类是测试误差，也被称为“泛化误差”。减少模型误差的办法有：额外数据的交叉验证，重新清洗数据，以及正则化。

为了降低误差，AI训练使用的数据必须是大量的，完整的，有业务含义的，有特征标签的。

业务中搜集的大数据虽然有很丰富的类型，但是挑战也很大，因为数据的信息密度通常很低，处理速度要求快，数据也不是现成的，需要经过复杂的提取、存储和处理过程。因此数据也不是越多越好。

为了更好地利用数据，我们通过特征工程，借助数据领域的相关知识，来创建能够使机器学习算法达到最佳性能的特征。简而言之，特征工程就是把原始数据转换为特征，即人工设计输入变量。例如：为了准确判断一个人的性别的输出函数，我们可以设定输入特征为：是否有喉结。

行业有一句名言：数据决定了AI产生价值的上限，算法只是尽量去逼近这个上限。

机器学习的要素

“学习的核心是改善性能。”

机器学习也是如此，但和传统编程不同，机器学习不是仅仅依靠“显式编程”就能完成的科学。机器学习输出的是过程和数据关系，并通过检验把这些关系规则固化为模型。

机器学习有三大要素：模型，算法，策略。以烹饪作为例子，模型就是学什么-一个菜肴；算法就是怎么学-烹饪方法；策略就是何时结束。

人的学习是举一反三，而机器的学习是举千反一，算法就是专家总结出来的精炼逻辑。模型工作就是要解决三个核心问题：如何建模，如何评估模型好坏，如何优化它。

按照学习方式的不同，机器学习可以区分为三类：无监督学习，监督学习，强化学习。

回归

机器学习的基础概念，利用统计学中的回归分析来确定两种（或以上）变量间相互依赖的定量关系。线性回归就是一条直线函数来表示的回归关系：y=ax+b+e，如果这条直线能把样本数据点几乎串联在一起，这个过程就叫拟合。对应的还有非线性回归，用二维的曲线方程来表示回归拟合结果。

用通俗的话说，回归就是找到规律；用数学的话说，回归就是通过大量数据推导出一个函数，基于输入输出的值倒推出函数中的参数，叫做逆问题。对于一维函数，当然只需要关心斜率和截距了。

老的机器学习模型直接通过加权组合特征量，形成拟合公式，但人工神经网络就要引入更多的非线性变换了。

聚类

本公众号多次提到简单的聚类概念。它是一种非监督学习，把一批对象的集合分组为彼此相似的类别的分析过程，类似于人类天生识别动物种类的认知活动。经典算法是K- Means，基于向量距离来不断做聚类，直到类簇中的向量归类变化低于指定的极低值为止。聚类也可以按密度而非位置进行分类，还可以按多层次聚类，即大类里面分小类。聚类的结果可以用于寻找可疑的孤立点，因此在安全策略中有广泛的用途。比如某用户的数据明显异于其他主流人群，属于高风险用户。聚类的一个难点是，应该分为几类（类簇）来聚合才是最优的，对于非监督学习来说没有特定经验，推荐在各个类簇数量的“收获”中，把增量最大的那个（拐点）做为推荐值。

对于聚类的质量评估，可以借助轮廓系数来度量，即：对比类簇内部的紧凑度，和该类簇与其他类簇的分离程度，两者差距越大，聚类的效果越好。

分类算法

这是有监督学习，用已知类别的样本来对模型进行分类器训练，达到所要求的新样本识别能力。分类的结果也是个定性的概率值，比如判断某客户是否高风险概率用户；它和回归算法的差别是前者是离散的变量预测，后者是连续变量预测。相关的经典公式是朴素贝叶斯算法，P(A|B)P (B)=P(B|A)P(A)，利用“条件概率”进行概率分析。它广泛应用于各种场景，同时也需要辅助其他的建模手段。分类算法技术还衍生出了多种算法：决策树、随机森林、HMM、SVM、遗传算法等。

1)决策树。决策树是一种常见的分类预测模型，它从根节点开始，一步一步决策，直到走到叶子结点。生成决策树的归纳过程是一种认知过程，决策树节点的分裂条件决定了接下来分类的规则。最佳的树枝切分策略，取决于是否尽可能消除了信息的不确定性（即信息增益），同时避免剪枝导致过拟合。

我们可以通过不同的字段切分尝试，看看哪种切分效果最好，在简洁性和正确性中取得平衡。

鼎叔在网上看到一句：生命就是一连串的决策树算法，不知来自哪位研究人员的感叹：）

2)随机森林。这是决策树的并行优化算法，快速生成一批简洁的决策树，对新样本分类时，看看这些决策树计算后得到的民主投票结果。

3)隐马尔可夫模型（Hidden Markov Model，HMM）。HMM在语言识别和自然语言处理领域应用广泛，它是一个双重的随机过程，在状态转移之间有一个随机概率，在状态和输出之间也有一个随机概率，通过观察一系列的输入，预测产生什么观察结果的概率最大，并生成概率转移矩阵。它在语音识别领域的应用主要是解码问题，在输入法软件的应用则是通过首字母预测输入词语的功能。

4)支持向量机（Support Vector Machine，SVM）。针对已知的样本和分类标记，找到一个超平面（即分类函数的表达式）进行划分，让这个超平面距离所有点的距离最大。

只用线性变换是无法分割复杂数据的，所以非线性变化就显得至关重要。

如果样本是线性不可分，就采用升维的技巧，利用核函数把样本映射到高维度，再来找到超平面，再映射回来就不是线性了。它是一种比较抽象的机器学习算法概念，用于模式识别，分类和回归。

5)遗传算法。它最有趣的就是借助生物界进化论的机制进行优胜劣汰，找到最佳解法。基本步骤是对样本个体进行基因编码，再从样本空间中挑选出一个初始集群，其中每个个体的基因都不同，淘汰不合规则的个体后，让集群中的个体结对生成下一代（比如，对两者的基因进行特定片断的重组）。对所有下一代进行排序，遴选出最优秀的一批后代，淘汰掉其他的，再进入下一轮“进化”。当连续数轮的“进化”，产生的结果没有进步，或者进步极小，我们就认为算法可以结束了，此时排序领先的就是最佳解法。需要注意的是，基因编码方式，初始集群大小，遴选方法和淘汰概率等，都可能导致最终生成不同的“最优”结果。如果样本空间是非离散的，我们选择基因编码的长度要考虑问题域的求解精度，避免计算成本过高。

关联分析与推荐算法

这是数据挖掘产生价值的经典过程，对不同类型的两项（或多项）产品共同出现的频率做关联分析，判断两者是否出现正向或负向相关性。业界最经典的算法就是Apriori，它的目标是挖掘出一定置信度和支持度的强关联规则。

我们可以基于用户或者基于商品来进行协同过滤计算，推荐出用户可能想买的其他商品，这里面可能用到空间向量的余弦相似度计算。推荐算法并不是要高度收敛，而是保证多样性，以便推荐用户购买更多丰富的商品（即提高转化率），因此会对商品相似度做归一化处理，对相似度较低的值做一些补偿，合理拉高其分数，便于遴选。

文本挖掘

从大量结构化文本数据中通过自然语言分析，挖掘出可理解可用的知识，一直是数据挖掘的重点方向，也是最常见的机器学习技术应用。文本挖掘出来的常见内容包含聚类、分类、NLP（自然语言处理）、信息抽取等方面，每一块都是内容庞大的细分知识领域。对于中文互联网产品，最基础的文本分类训练就是分词及权重计算，以便判断出词义、用户情绪和文章类别（标签）。用于评价结果质量的指标就是召回率和精度，这也是智能产品评测普遍要掌握的基础概念。召回率衡量的是检索系统的查全率（“检索出的相关文档”除以“文档库的所有相关文档”），精度衡量的是检索系统的查准率（“检索出的相关文档”除以“检索出的总文档”）。

总结

注意以上经典机器学习数据中的时间序列影响，时间序列有趋势性、周期性、季节性，它可能包含不规则的数据突刺（比如随机时间和突发时间导致的数据异常）。我们应当让算法尽可能降低对时间序列的不合理依赖。

机器学习算法可以看成是更高级的语言，它让机器自我学习，并自行整理出规则。而从大量高质量的数据中学习规则，更容易成功地泛化。

没有一个算法在任何一个领域总是表现最佳的，算法是简洁和高度抽象的表达，实际业务场景才是非常复杂的，如何把场景描述得简洁可控，才是应用好算法的前提。