机器学习-监督学习

监督学习旨在通过已有的训练样本（即已知数据以及其对应的输出）来训练，从而得到一个最优模型，再利用这个模型将所有新的数据样本映射为相应的输出结果，对输出结果进行简单的判断从而实现分类的目的，那么这个最优模型也就具有了对未知数据进行分类的能力。监督学习中只要输入样本集,机器就可以从中推演出制定目标变量的可能结果.如协同过滤推荐算法,通过对训练集进行监督学习,并对测试集进行预测,从而达到预测的目的。我们可以根据预测的结果将监督学习分为两类:回归分析和分类。

分类技术预测的数据对象是离散值。例如，电子邮件是否为垃圾邮件，肿瘤是癌性还是良性等等。 分类模型将输入数据分类。 典型应用包括医学成像，信用评分等。

回归技术预测的数据对象是连续值。 例如，温度变化或功率需求波动。 典型应用包括电力负荷预测和算法交易等。回归模型包括一元回归和多元回归，线性回归和非线性回归

监督学习步骤:

监督式学习有两种形态的模型。最一般的，监督式学习产生一个全域模型，会将输入物件对应到预期输出。而另一种，则是将这种对应实作在一个区域模型。（如案例推论及最近邻居法）。为了解决一个给定的监督式学习的问题（手写辨识），必须考虑以下步骤：

1. 决定训练资料的范例的形态。在做其它事前，工程师应决定要使用哪种资料为范例。譬如，可能是一个手写字符，或一整个手写的词汇，或一行手写文字。
2. 搜集训练资料。这资料须要具有真实世界的特征。所以，可以由人类专家或（机器或传感器的）测量中得到输入物件和其相对应输出。
3. 决定学习函数的输入特征的表示法。学习函数的准确度与输入的物件如何表示是有很大的关联度。传统上，输入的物件会被转成一个特征向量，包含了许多关于描述物件的特征。因为维数灾难的关系，特征的个数不宜太多，但也要足够大，才能准确的预测输出。
4. 决定要学习的函数和其对应的学习算法所使用的数据结构。譬如，工程师可能选择人工神经网络和决策树。
5. 完成设计。工程师接着在搜集到的资料上跑学习算法。可以借由将资料跑在资料的子集（称为验证集）或交叉验证（cross-validation）上来调整学习算法的参数。

监督学习算法比较

朴素贝叶斯

朴素贝叶斯属于生成式模型（关于生成模型和判别式模型，主要还是在于是否是要求联合分布），非常简单，你只是做了一堆计数。如果注有条件独立性假设（一个比较严格的条件），朴素贝叶斯分类器的收敛速度将快于判别模型，如逻辑回归，所以你只需要较少的训练数据即可。即使NB条件独立假设不成立，NB分类器在实践中仍然表现的很出色。它的主要缺点是它不能学习特征间的相互作用，用mRMR中R来讲，就是特征冗余。引用一个比较经典的例子，比如，虽然你喜欢Brad Pitt和Tom Cruise的电影，但是它不能学习出你不喜欢他们在一起演的电影。

优点：

1. 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。
2. 对小规模的数据表现很好，能个处理多分类任务，适合增量式训练；
3. 对缺失数据不太敏感，算法也比较简单，常用于文本分类。

缺点：

1. 需要计算先验概率；
2. 分类决策存在错误率；
3. 对输入数据的表达形式很敏感。

朴素贝叶斯算法代码实例：

#计算类别的在总体数据中的概率 即 P(c)

def P(data,cls_val,cls_name="class"):

cnt = 0.0

for e in data:

    if e[cls_name] == cls_val:

        cnt += 1

return cnt/len(data)

#计算某个类别下某个属性的概率 即先验概率 P(x|c)

def PT(data,cls_val,attr_name,attr_val,cls_name="class"):

cnt1 = 0.0

cnt2 = 0.0

for e in data:

    if e[cls_name] == cls_val:

        cnt1 += 1

        if e[attr_name] == attr_val:

            cnt2 += 1

return cnt2/cnt1

#根据测试数据统计特征概率P（x），并计算后验概率 p（c|x）

def NB(data,test,cls_y,cls_n):

PY = P(data,cls_y)

PN = P(data,cls_n)

for key,val in test.items():

    print (key,val)

    PY *= PT(data,cls_y,key,val)

    PN *= PT(data,cls_n,key,val)

return {cls_y:PY,cls_n:PN}

Logistic Regression(逻辑回归)

属于判别式模型，有很多正则化模型的方法（L0， L1，L2，etc），而且你不必像在用朴素贝叶斯那样担心你的特征是否相关。与决策树与SVM机相比，你还会得到一个不错的概率解释，你甚至可以轻松地利用新数据来更新模型（使用在线梯度下降算法，online gradient descent）。如果你需要一个概率架构（比如，简单地调节分类阈值，指明不确定性，或者是要获得置信区间），或者你希望以后将更多的训练数据快速整合到模型中去，那么使用它吧。

优点：

1. 实现简单，广泛的应用于工业问题上；
2. 分类时计算量非常小，速度很快，存储资源低；
3. 便利的观测样本概率分数；
4. 对逻辑回归而言，多重共线性并不是问题，它可以结合L2正则化来解决该问题；

缺点：

1. 当特征空间很大时，逻辑回归的性能不是很好；
2. 容易欠拟合，一般准确度不太高
3. 不能很好地处理大量多类特征或变量；
4. 只能处理两分类问题（在此基础上衍生出来的softmax可以用于多分类），且必须线性可分；
5. 对于非线性特征，需要进行转换；

线性回归

线性回归是用于回归的，而不像Logistic回归是用于分类，其基本思想是用梯度下降法对最小二乘法形式的误差函数进行优化，当然也可以用normal equation直接求得参数的解。

优点：实现简单，计算简单；

缺点：不能拟合非线性数据；

最近邻算法-KNN

最近邻算法的主要过程为：

1. 计算训练样本和测试样本中每个样本点的距离（常见的距离度量有欧式距离，马氏距离等）
2. 对上面所有的距离值进行排序
3. 选前k个最小距离的样本
4. 根据这k个样本的标签进行投票，得到最后的分类类别

 

如何选择一个最佳的K值，这取决于数据。一般情况下，在分类时较大的K值能够减小噪声的影响。但会使类别之间的界限变得模糊。一个较好的K值可通过各种启发式技术来获取，比如，交叉验证。另外噪声和非相关性特征向量的存在会使K近邻算法的准确性减小。

近邻算法具有较强的一致性结果。随着数据趋于无限，算法保证错误率不会超过贝叶斯算法错误率的两倍。对于一些好的K值，K近邻保证错误率不会超过贝叶斯理论误差率。

KNN算法的优点：

1. 理论成熟，思想简单，既可以用来做分类也可以用来做回归；
2. 可用于非线性分类；
3. 训练时间复杂度为O(n)；
4. 对数据没有假设，准确度高，对outlier不敏感；

缺点：

1. 计算量大；
2. 样本不平衡问题（即有些类别的样本数量很多，而其它样本的数量很少）；
3. 需要大量的内存；

KNN算法实现：

def classify0(intX,dataSet,labels,k):

    '''获取行数，第二个为列数 shape返回tuple'''

    dataSetSize = dataSet.shape[0]

    '''生成dateSetSize行，1列的矩阵，值都是intX，求出每一项与dataSet差'''

    diffMat = np.tile(intX,(dataSetSize,1)) - dataSet

    '''针对每项差值取平方'''

    sqDiffMat = diffMat ** 2

    '''将每一行向量相加'''

    sqDistances = sqDiffMat.sum(axis=1)

    '''对结果开根号'''

    distances = sqDistances ** 0.5

    '''排序 选取距离最小的K个点'''

    sortedDistIndicies = distances.argsort()

    classCount = {}

    for i in range(k):

    voteLabel = labels[sortedDistIndicies[i]]

    classCount[voteLabel] = classCount.get(voteLabel,0) + 1

    sortedClassCount = sorted(classCount.iteritems(),key = operator.itemgetter(1),reverse=True)

    return sortedClassCount[0][0]

决策树

易于解释。它可以毫无压力地处理特征间的交互关系并且是非参数化的，因此你不必担心异常值或者数据是否线性可分（举个例子，决策树能轻松处理好类别A在某个特征维度x的末端，类别B在中间，然后类别A又出现在特征维度x前端的情况）。它的缺点之一就是不支持在线学习，于是在新样本到来后，决策树需要全部重建。另一个缺点就是容易出现过拟合，但这也就是诸如随机森林RF（或提升树boosted tree）之类的集成方法的切入点。另外，随机森林经常是很多分类问题的赢家（通常比支持向量机好上那么一丁点），它训练快速并且可调，同时你无须担心要像支持向量机那样调一大堆参数，所以在以前都一直很受欢迎。

决策树中很重要的一点就是选择一个属性进行分枝，因此要注意一下信息增益的计算公式，并深入理解它。

优点：

1. 计算简单，易于理解，可解释性强；
2. 比较适合处理有缺失属性的样本；
3. 能够处理不相关的特征；
4. 在相对短的时间内能够对大型数据源做出可行且效果良好的结果。

缺点：

1. 容易发生过拟合（随机森林可以很大程度上减少过拟合）；
2. 忽略了数据之间的相关性；
3. 对于那些各类别样本数量不一致的数据，在决策树当中,信息增益的结果偏向于那些具有更多数值的特征（只要是使用了信息增益，都有这个缺点，如RF）。

构建树python代码：

def createTree(dataSet,labels):

classList = [example[-1] for example in dataSet]

'''类别完全相同则停止划分'''

if classList.count(classList[0] == len(classList):

return classList[0]

'''遍历所有特征时返回出现次数最多的

if len(dataSet[0]) == 1:

return majorityCnt(classList)

bestFeat = chooseBestFeatureToSplit(dataSet)

bestFeatLabel = labels[bestFeat]

myTree = {bestFeatLabel:{}]

del(labels[bestFeat])

'''得到列表包含所有属性值'''

featValues = [example[beatFeat] for example in dataSet]

uniqueVals = set(featValues)

for value in uniqueVals:

subLabels = label[:]

myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet,bestFeat,value),subLabels)

return myTree

Adaboosting

Adaboost是一种加和模型，每个模型都是基于上一次模型的错误率来建立的，过分关注分错的样本，而对正确分类的样本减少关注度，逐次迭代之后，可以得到一个相对较好的模型。是一种典型的boosting算法。

优点：

1. adaboost是一种有很高精度的分类器。
2. 可以使用各种方法构建子分类器，Adaboost算法提供的是框架。
3. 当使用简单分类器时，计算出的结果是可以理解的，并且弱分类器的构造极其简单。
4. 简单，不用做特征筛选。
5. 不容易发生overfitting。

缺点：对outlier比较敏感

SVM支持向量机

高准确率，为避免过拟合提供了很好的理论保证，而且就算数据在原特征空间线性不可分，只要给个合适的核函数，它就能运行得很好。在动辄超高维的文本分类问题中特别受欢迎。可惜内存消耗大，难以解释，运行和调参也有些烦人，而随机森林却刚好避开了这些缺点，比较实用。

优点：

1. 可以解决高维问题，即大型特征空间；
2. 能够处理非线性特征的相互作用；
3. 无需依赖整个数据；
4. 可以提高泛化能力；

缺点：

1. 当观测样本很多时，效率并不是很高；
2. 对非线性问题没有通用解决方案，有时候很难找到一个合适的核函数；
3. 对缺失数据敏感；

核函数的选择：

1. 第一，如果样本数量小于特征数，那么就没必要选择非线性核，简单的使用线性核就可以了；
2. 第二，如果样本数量大于特征数目，这时可以使用非线性核，将样本映射到更高维度，一般可以得到更好的结果；
3. 第三，如果样本数目和特征数目相等，该情况可以使用非线性核，原理和第二种一样；

人工神经网络

优点：

1. 分类的准确度高；
2. 并行分布处理能力强,分布存储及学习能力强，
3. 对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系；
4. 具备联想记忆的功能。

缺点：

1. 神经网络需要大量的参数，如网络拓扑结构、权值和阈值的初始值；
2. 不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度；
3. 学习时间过长,甚至可能达不到学习的目的

K-Means

优点：

1. 算法简单，容易实现 ；
2. 对处理大数据集，该算法是相对可伸缩的和高效率的，因为它的复杂度大约是O(nkt)，其中n是所有对象的数目，k是簇的数目,t是迭代的次数。通常k<<n。这个算法通常局部收敛。
3. 算法尝试找出使平方误差函数值最小的k个划分。当簇是密集的、球状或团状的，且簇与簇之间区别明显时，聚类效果较好。

缺点：

1. 对数据类型要求较高，适合数值型数据；
2. 可能收敛到局部最小值，在大规模数据上收敛较慢
3. K值比较难以选取；
4. 对初值的簇心值敏感，对于不同的初始值，可能会导致不同的聚类结果；
5. 不适合于发现非凸面形状的簇，或者大小差别很大的簇。
6. 对于”噪声”和孤立点数据敏感，少量的该类数据能够对平均值产生极大影响。

算法选择参考：

1. 首当其冲应该选择的就是逻辑回归，如果它的效果不怎么样，那么可以将它的结果作为基准来参考，在基础上与其他算法进行比较；
2. 然后试试决策树（随机森林）看看是否可以大幅度提升你的模型性能。即便最后你并没有把它当做为最终模型，你也可以使用随机森林来移除噪声变量，做特征选择；
3. 如果特征的数量和观测样本特别多，那么当资源和时间充足时（这个前提很重要），使用SVM不失为一种选择。