机器学习笔记（一）-CSDN博客

本文链接：https://blog.csdn.net/kuyuguoheqi/article/details/125729440

机器学习笔记（一）

机器学习的基本概念

机器学习的基本概念

监督学习：

表示机器学习的数据是带标记的。通过大量带有标记的数据来训练机器，机器将预测结果与期望结果进行比对；之后根据比对结果来修改模型中的参数，再一次输出预测结果；然后将预测结果与期望结果进行比对，重复多次直至收敛，最终生成具有一定能够鲁棒性的模型来达到智能决策的能力。

按照训练数据是否存在标签，将监督学习分为传统监督学习、非监督学习和半监督学习；按照标签是连续还是离散，将监督学习分为回归和分类。

支持向量机、人工神经网络、深度神经网络

分类（Classification）是将一些实例数据分到合适的类别中，它的预测结果是离散的。

回归（Regression）是将数据归到一条“线”上，即为离散数据生产拟合曲线，其预测结果是连续的。

无监督学习：

表示机器学习的数据是没有标记的。机器从无标记的数据中探索并推断出潜在的联系。

常见的无监督学习有聚类和降维。EM算法（Expectation-Maximization algorithm）、主成分分析（Principle Component Analysis）

聚类（Clustering）：通过数据样本在特征空间中的分布，从而将不同数据分开，把相似数据聚为一类。

降维（Dimensionality Reduction）：可以通过主成分分析等其他方法，考虑主要影响因素，舍弃次要因素，从而平衡准确度与效率。

强化学习：

强化学习（Reinforcement Learning）是带有激励机制的。

深度学习：

其核心思想是通过数据驱动的方式，采用一系列的非线性变换，从原始数据中提取由从低层到高层、由具体到抽象、由一般到特定语义的特征。

泛化

如果一个模型能够对没见过的数据做出准确预测，我们就说它能够从训练集泛化（generalize）到测试集。

误差

学习器的实际预测输出与样本的真实输出之间的差异。

学习器在训练集上的误差称为：训练/经验误差
学习器在新样本上的误差称为：泛化误差

欠拟合

就是模型没有很好地捕捉到数据特征，不能够很好地拟合数据。

解决方法：

1）添加其他特征项，有时候我们模型出现欠拟合的时候是因为特征项不够导致的，可以添加其他特征项来很好地解决。例如，“组合”、“泛化”、“相关性”三类特征是特征添加的重要手段，无论在什么场景，都可以照葫芦画瓢，总会得到意想不到的效果。除上面的特征之外，“上下文特征”、“平台特征”等等，都可以作为特征添加的首选项。

2）添加多项式特征，这个在机器学习算法里面用的很普遍，例如将线性模型通过添加二次项或者三次项使模型泛化能力更强。例如上面的图片的例子。

3）减少正则化参数，正则化的目的是用来防止过拟合的，但是现在模型出现了欠拟合，则需要减少正则化参数。

过拟合

即是过分拟合了训练数据，使得模型的复杂度提高，泛化能力较差（对未知数据的预测能力）。

解决方法：重新清洗数据、增加训练数据、正则化、dropout、early stopping、减少特征值、集成学习等。

1）重新清洗数据，导致过拟合的一个原因也有可能是数据不纯导致的，如果出现了过拟合就需要我们重新清洗数据。

2）增加训练数据，还有一个原因就是我们用于训练的数据量太小导致的，训练数据占总数据的比例过小。

3）采用正则化方法。正则化项一般是模型复杂度的单调递增函数，模型越复杂，正则化项就越大。正则化方法包括L0正则、L1正则和L2正则，而正则一般是在目标函数之后加上对于的范数。但是在机器学习中一般使用L2正则，下面看具体的原因。

L0范数是指向量中非0的元素的个数。L1范数是指向量中各个元素绝对值之和，也叫“稀疏规则算子”（Lasso regularization）。两者都可以实现稀疏性，既然L0可以实现稀疏，为什么不用L0，而要用L1呢？个人理解一是因为L0范数很难优化求解（NP难问题），二是L1范数是L0范数的最优凸近似，而且它比L0范数要容易优化求解。所以大家才把目光和万千宠爱转于L1范数。

L2范数是指向量各元素的平方和然后求平方根。可以使得W的每个元素都很小，都接近于0，但与L1范数不同，它不会让它等于0，而是接近于0。L2正则项起到使得参数w变小加剧的效果，但是为什么可以防止过拟合呢？一个通俗的理解便是：更小的参数值w意味着模型的复杂度更低，对训练数据的拟合刚刚好（奥卡姆剃刀），不会过分拟合训练数据，从而使得不会过拟合，以提高模型的泛化能力。还有就是看到有人说L2范数有助于处理 condition number不好的情况下矩阵求逆很困难的问题（具体这儿我也不是太理解）。
4）采用dropout方法。这个方法在神经网络里面很常用。dropout方法是ImageNet中提出的一种方法，通俗一点讲就是dropout方法在训练的时候让神经元以一定的概率不工作。具体看下图：

图源网络整理，侵删

如上图所示，左边a图是没用用dropout方法的标准神经网络，右边b图是在训练过程中使用了dropout方法的神经网络，即在训练时候以一定的概率p来跳过一定的神经元。
5）采用early stopping方法。在训练集上进行训练，并且在验证集上获取测试结果（比如每隔５个epoch测试一下），随着epoch的增加，如果在验证集上发现测试误差上升，则停止训练；将停止之后的权重作为网络的最终参数。

左图即为欠拟合，中图为合适的拟合，右图为过拟合。

在这里插入图片描述
图源网络整理，侵删