（算法必会流程和必备知识）

一、损失函数，目标函数，代价函数

图片.png

二、算法的流程：

算法是核心，数据和计算是基础
定位：
1、分析数据
2、分析业务
3、应用常见算法进行对比校验
4、特征工程、调参、优化

数据类型
离散型数据：由记录不同类别个体的数目所得到的数据，又称计数数据，所以数据全是整数
连续型数据：变量可以在某一范围内任取一数，即变量的取值是可以连续的，通常是小数
注意：离散型是区间内不可分，连续型区间内可分

算法分类：
监督学习：特征值和目标值
分类(目标值是离散型)：K近邻，贝叶斯、决策树、随机森林、逻辑回归、神经网络
回归(目标值是连续型)：线性回归、岭回归
非监督学习：特征值
聚类：K均值(K-means)

算法开发流程：
1、准备数据
公司本身数据
kaggle
购买数据
2、明确问题(分类还是回归)
建立算法数据：根据数据类型划分应用种类
3、数据基本处理
pd去处理数据(缺失值，合并表....)
4、特征工程
特征进行处理(训练集，测试集、验证集)
5、找寻合适的算法进行分析
1、估计器选择
2、调用fit(x_train,y_train)
3、调用 a)预测：y_predict=predict(x_test) b)预测的准确率：score(x_test,y_test)
6、模型的评估 ---->评估不合格，则考虑：1、换算法 2、调参数 3、特征工程再进一步处理
7、模型实现预测，以API形式提供

数据集划分
训练集：70% 75%(建议) 80%
测试集：30% 25%(建议) 20%
验证集
API: Sklearn.model_selection.train_test_split(*arrays, **options)
x 数据集的特征值
y 数据集的标签值
test_size 测试集的大小，一般为float
random_state 随机数种子,不同的种子会造成不同的随机
采样结果。相同的种子采样结果相同。
return 训练集特征值，测试集特征值，训练标签，测试标签
(默认随机取)

Sklearn数据集Api
datasets.load_() #获取小规模数据集
datasets.fetch_(data_home=None) #获取大的数据集

小数据集：
    load*和fetch*返回的数据类型datasets.base.Bunch(字典格式)
        data：特征数据数组，是 [n_samples * n_features] 的二维 
              numpy.ndarray 数组
        target：标签数组，是 n_samples 的一维 numpy.ndarray 数组
        DESCR：数据描述
        feature_names：特征名,新闻数据，手写数字、回归数据集没有
        target_names：标签名,回归数据集没有
大数据集：
    sklearn.datasets.fetch_20newsgroups(data_home=None,subset=‘train’)
        subset: 'train'或者'test','all'，可选，选择要加载的数据集.
        训练集的“训练”，测试集的“测试”，两者的“全部”

清除数据：
    datasets.clear_data_home(data_home=None)
        清除目录下的数据

转换器：
fit_transform():输入数据直接转换

fit():输入数据,不做转换，但会计算一些平均值，方差等
transform():进行数据的转换
注意：fit_transform = fit + transform

估计器：是一类实现了算法的API
1、用于分类的估计器：
sklearn.neighbors k-近邻算法
sklearn.naive_bayes 贝叶斯
sklearn.linear_model.LogisticRegression 逻辑回归
2、用于回归的估计器：
sklearn.linear_model.LinearRegression 线性回归
sklearn.linear_model.Ridge 岭回归

三、损失函数

• (1)什么是损失函数？

• 损失函数就是用来表现预测与实际数据的差距程度--就是来衡量模型预测的好坏的函数

• (2)具体的关系图

  

  关系图.png

• 损失函数(loss function)是用来估量你模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。

三、L1正则和L2正则的区别：

一、作用
L1和L2是正则化项，又叫做罚项，是为了限制模型的参数，防止模型过拟合而加在损失函数后面的一项。

二、区别：

1.L1是模型各个参数的绝对值之和。

L2是模型各个参数的平方和的开方值。

2.L1会趋向于产生少量的特征，而其他的特征都是0.

因为最优的参数值很大概率出现在坐标轴上，这样就会导致某一维的权重为0 ，产生稀疏权重矩阵

L2会选择更多的特征，这些特征都会接近于0。

最优的参数值很小概率出现在坐标轴上，因此每一维的参数都不会是0。当最小化||w||时，就会使每一项趋近于0

三、几个具体的疑问？

1.为什么参数越小代表模型越简单？

越是复杂的模型，越是尝试对所有样本进行拟合，包括异常点。这就会造成在较小的区间中产生较大的波动，这个较大的波动也会反映在这个区间的导数比较大。

只有越大的参数才可能产生较大的导数。因此参数越小，模型就越简单。

2.实现参数的稀疏有什么好处？

因为参数的稀疏，在一定程度上实现了特征的选择。一般而言，大部分特征对模型是没有贡献的。这些没有用的特征虽然可以减少训练集上的误差，但是对测试集的样本，反而会产生干扰。稀疏参数的引入，可以将那些无用的特征的权重置为0.

3.L1范数和L2范数为什么可以避免过拟合？

加入正则化项就是在原来目标函数的基础上加入了约束。当目标函数的等高线和L1,L2范数函数第一次相交时，得到最优解。

　L1范数：

L1范数符合拉普拉斯分布，是不完全可微的。表现在图像上会有很多角出现。这些角和目标函数的接触机会远大于其他部分。就会造成最优值出现在坐标轴上，因此就会导致某一维的权重为0 ，产生稀疏权重矩阵，进而防止过拟合。

L2范数：

L2范数符合高斯分布，是完全可微的。和L1相比，图像上的棱角被圆滑了很多。一般最优值不会在坐标轴上出现。在最小化正则项时，可以是参数不断趋向于0.最后活的很小的参数。

假设要求的参数为θθ，hθ(x)hθ(x)是我们的假设函数，那么线性回归的代价函数如下：

image

那么在梯度下降法中，最终用于迭代计算参数θθ的迭代式为：

image

如果在原始代价函数之后添加L2正则化，则迭代公式会变成下面的样子：

image

每一次迭代，θj都要先乘以一个小于1的因子，从而使得θj不断减小，因此总得来看，θ是不断减小的。