数据挖掘常用算法原理

作为一个统计出身的数据人，学习机器学习更要学习原理。对于数学原理透彻理解，不论是模型优化还是参数调整都将是一个很好的理论功底。在此参照网上一篇理论博文，再学习理解一遍。

常见机器学习算法（主要是一些常规分类器）大概流程和主要思想。

朴素贝叶斯：
　　有以下几个地方需要注意：

1. 如果给出的特征向量长度不同，这是需要归一化为同长度的向量（这里以文本分类为例），比如说是句子中的单词的话，则长度为整个词汇量的长度，对应位置是该单词出现的次数。【特征就是 我们做分析挖掘要用到的自变量，据实例定义】

2. 计算公式如下：

此处‘w’ 就是 特征，ci 便是类别。
　　其中一项条件概率可以通过朴素贝叶斯条件独立展开。要注意一点就是 的计算方法，而由朴素贝叶斯的前提假设【之所以称之为朴素，也是因为该性质，假设 变量的独立性】可知， =，因此计算方法是类别为ci的那些样本集中，找到wj出现次数的总和，然后除以该样本中所有特征出现次数的总和。

3. 如果 中的某一项为0，则其联合概率的乘积也可能为0，即2中公式的分子为0，为了避免这种现象出现，一般情况下会将这一项初始化为1，当然为了保证概率相等，分母应对应初始化为2（这里因为是2类，所以加2，如果是k类就需要加k，术语上叫做laplace光滑【保证分母不为0】, 分母加k的原因是使之满足全概率公式）。

朴素贝叶斯的优点：

对小规模的数据表现很好，适合多分类任务，适合增量式训练。

缺点：

对输入数据的表达形式很敏感。

决策树：
　　
　　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。

信息熵的计算公式如下:
　　其中的n代表有n个分类类别（比如假设是2类问题，那么n=2）。分别计算这2类样本在总样本中出现的概率p1和p2，这样就可以计算出未选中属性分枝前的信息熵。【GINI系数小的指标作为划分属性，或是信息增益大的属性进行分枝】
　　现在选中一个属性xi用来进行分枝，此时分枝规则是：如果xi=vx的话，将样本分到树的一个分支；如果不相等则进入另一个分支。很显然，分支中的样本很有可能包括2个类别，分别计算这2个分支的熵H1和H2,计算出分枝后的总信息熵H’=p1H1+p2H2.，则此时的信息增益ΔH=H-H’。以信息增益为原则，把所有的属性都测试一边，选择一个使增益最大的属性作为本次分枝属性。

决策树的优点：
　　计算量简单，可解释性强，比较适合处理有缺失属性值的样本，能够处理不相关的特征；

缺点：
　　容易过拟合（后续出现了随机森林，减小了过拟合现象）；
　　
　　Logistic回归：
　　Logistic是用来分类的，是一种线性分类器，需要注意的地方有：
　　1. logistic函数表达式为：

　　其导数形式为：

逻辑回归的损失函数： cost(hθ(x),y): if y=1: −log(hθ(x))，if y=0：−log(1−hθ(x))。
全体样本的损失函数可写为：cost(hθ(x),y)=∑−yi*log(hθ(x))−(1−yi)log(1−hθ(x)) 恰与后面对数似然函数相差一个符号(-)。
　　2. logsitc回归方法主要是用最大似然估计来学习的，所以单个样本的后验概率为：

　　到整个样本的后验概率：
　　其中：
　　通过对数进一步化简为：
　　3. 其实它的loss function为*-l(θ)**，因此我们需使loss function最小，可采用梯度下降法得到。
　　梯度下降法公式为:
　　Logistic回归优点：

1、实现简单；
2、分类时计算量非常小，速度很快，存储资源低；
　　缺点：
　　1、容易欠拟合，一般准确度不太高
　　2、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；
　　
　　线性回归：
　　线性回归才是真正用于回归的，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，结果为：