什么是机器学习

一 什么是机器学习
机器学习通俗地讲就是让机器来实现学习的过程，让机器拥有学习的能力，进而来改善系统自身的性能。对于机器而言这里的学习指的是从数据中学习，从数据中产生“模型”的算法，即“学习算法”，有了学习算法，我们把经验数据提供给它，它就能够基于这些数据产生模型，在面对新的情况时，模型能够提供给我们相应的判断。机器学习实质是基于数据集的，通过对数据集的研究，找出数据集中数据之间的联系和数据的真实含义。
二 机器学习研究的内容
机器学习的主要任务就是基于数据分类和回归。
1、分类（Classification）
所谓分类，就是给定一个事物的一些参数，来判断它的类别，举个简单的例子：有一个人，他黑皮肤、卷头发、厚嘴唇，让你判断他来自亚洲、非洲、还是欧洲。很明显，一般人会判断他来自非洲。他一定来自非洲吗？不一定，但是他来自非洲的可能性是最大的。因此，如果将{黑皮肤、卷头发、厚嘴唇}这个属性组输入给计算机，它会自动”学习“并给出判断（他是个非洲人）。
2、回归（Regression）
回归则是根据样本研究其两个（或多个）变量之间的依存关系，是对于其趋势的一个分析预测。 回归的例子也很简单，一个班的学生按照大小身高排队，排好后如果给了前30个同学的身高值，那么推测第31个同学的身高应该也能推测个八九不离十。
三 机器学习的十大经典算法
一般，我们把机器学习算法分成3个大类，分别是：监督学习、非监督学习、半监督学习。
监督学习：监督学习就是需要一定的训练数据的学习方式。训练数据就是我们事先测试得到的即包含属性集又包含结果的数据。这种学习往往通过一定训练数据训练出一个“模型”，之后的只有属性集没有结果的数据可以将属性集套入到模型中，并得到其结果。就好比我们之前在脑子中训练出了”一个黑皮肤、卷头发、厚嘴唇“的人是非洲人这一模型后，再给我们一个有这样属性的人，我们自然会得到他是非洲人这样的结果一样。监督学习是机器学习领域最庞大的一个分支，有多种迄今为止非常成功的算法族，如常见的决策树算法族、神经网络算法族、支持向量机算法族、贝叶斯算法族等。
非监督学习：非监督学习和监督学习相对应，是没有训练序列的，这种学习方式需要把数据全部拿来，然后靠“物以类聚，人与群分”。这好比有一群人，根据”肤色、发色“两个属性进行归类，发现有一群人肤色是白的，发色是金的，还有一群人肤色是黄的，发色是黑的，还有一群人肤色是黑的，发色是黑的，不需要训练，我们很自然地就把有不同属性的人归类到了一起。常见的非监督学习主要是聚类算法族。
半监督学习：半监督学习介于监督学习和非监督学习之间，它有一部分的训练数据，但数量较少。半监督学习通过这部分训练数据实现训练另一部分数据，然后将新训练的数据加入训练数据集中继续训练，这样不断迭代，就会慢慢产生一个庞大的训练数据集。半监督学习在很多领域有重要应用，因为有的时候，并不是很容易得到大量的带标记数据的。常见的半监督学习有半监督SVM，半监督图学习、半监督聚类等。
1、C4.5
　　C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法.C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进：
　　1)用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；
　　2)在树构造过程中进行剪枝；
　　3)能够完成对连续属性的离散化处理；
　　4)能够对不完整数据进行处理。
　　C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效
2、Thek-meansalgorithm即K-Means算法
　　k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。
　　假设有k个群组Si, i=1,2,…,k。μi是群组Si内所有元素xj的重心，或叫中心点。
　　k平均聚类发明于1956年， 该算法最常见的形式是采用被称为劳埃德算法(Lloyd algorithm)的迭代式改进探索法。劳埃德算法首先把输入点分成k个初始化分组，可以是随机的或者使用一些启发式数据。然后计算每组的中心点，根据中心点的位置把对象分到离它最近的中心，重新确定分组。继续重复不断地计算中心并重新分组，直到收敛，即对象不再改变分组（中心点位置不再改变）。
　　劳埃德算法和k平均通常是紧密联系的，但是在实际应用中，劳埃德算法是解决k平均问题的启发式法则，对于某些起始点和重心的组合，劳埃德算法可能实际上收敛于错误的结果。（上面函数中存在的不同的最优解）
　　虽然存在变异，但是劳埃德算法仍旧保持流行，因为它在实际中收敛非常快。实际上，观察发现迭代次数远远少于点的数量。然而最近，David Arthur和Sergei Vassilvitskii提出存在特定的点集使得k平均算法花费超多项式时间达到收敛。
　　近似的k平均算法已经被设计用于原始数据子集的计算。
　　从算法的表现上来说，它并不保证一定得到全局最优解，最终解的质量很大程度上取决于初始化的分组。由于该算法的速度很快，因此常用的一种方法是多次运行k平均算法，选择最优解。
　　k平均算法的一个缺点是，分组的数目k是一个输入参数，不合适的k可能返回较差的结果。另外，算法还假设均方误差是计算群组分散度的最佳参数。
3、Supportvectormachines
　　支持向量机，英文为SupportVectorMachine，简称SV机（论文中一般简称SVM）。它是一种监督式学习的方法，它广泛的应用于统计分类以及回归分析中。支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的总误差越小。一个极好的指南是C.J.CBurges的《模式识别支持向量机指南》。vanderWalt和Barnard将支持向量机和其他分类器进行了比较。
4、TheApriorialgorithm
　　Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。
5、最大期望(EM)算法
　　在统计计算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量（LatentVariabl）。最大期望经常用在机器学习和计算机视觉的数据集聚（DataClustering）领域。
6、PageRank
　　PageRank是Google算法的重要内容。2001年9月被授予美国专利，专利人是Google创始人之一拉里·佩奇（LarryPage）。因此，PageRank里的page不是指网页，而是指佩奇，即这个等级方法是以佩奇来命名的。
　　PageRank根据网站的外部链接和内部链接的数量和质量俩衡量网站的价值。PageRank背后的概念是，每个到页面的链接都是对该页面的一次投票，被链接的越多，就意味着被其他网站投票越多。这个就是所谓的“链接流行度”——衡量多少人愿意将他们的网站和你的网站挂钩。PageRank这个概念引自学术中一篇论文的被引述的频度——即被别人引述的次数越多，一般判断这篇论文的权威性就越高。
7、AdaBoost
　　Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。
8、kNN:k-nearestneighborclassification
　　K最近邻(k-NearestNeighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
9、NaiveBayes
　　在众多的分类模型中，应用最为广泛的两种分类模型是决策树模型(DecisionTreeModel)和朴素贝叶斯模型（NaiveBayesianModel，NBC）。朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。在属性个数比较多或者属性之间相关性较大时，NBC模型的分类效率比不上决策树模型。而在属性相关性较小时，NBC模型的性能最为良好。
10、CART:分类与回归树
　　CART,ClassificationandRegressionTrees。在分类树下面有两个关键的思想。第一个是关于递归地划分自变量空间的想法；第二个想法是用验证数据进行剪枝。