大数据知识总结

同人工智能一样，在此简单记录一下大数据的重点。
关联规则：
支持度：支持度揭示了A与B同时出现的概率
置信度：置信度揭示了A出现时，B是否也会出现或有多大概率出现

支持度计算：

置信度计算：
A->B的置信度={A，B}的支持数/A的支持数

算法过程：自己看

频繁项集：对于一个项集，它出现在若干事务中 。
算法改进：
事务压缩：不包含任何频繁k-项集的事务，不可能包含任何频繁（k+1）-项集
划分：
选样：
动态项集计数：

FP Growth：
思想：将数据库的信息压缩成一个描述频繁项相关信息的频繁模式树。

基于划分的聚类：
距离：
欧氏距离（欧几里得距离）：
明氏距离：

明氏距离的缺点：

模型评价：
泛化误差：在未来样本上的误差
经验误差：在训练集上的误差，也称训练误差
泛化误差越小越好，但是经验误差并不是越小越好，因为会出现过拟合现象。

获得测试集的三种方法：
留出法，交叉验证法，自助法

调参：
超参数：算法的参数，一般由人工设定
模型的参数：一般由学习确定
训练集：用于模型拟合的数据样本。在训练过程中对训练误差进行梯度下降，进行学习，可训练的权重参数
测试集：用于测试结果，模型性能
验证集：是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估
算法参数选定后，要用“训练集+验证集”重新训练最终模型

性能度量：
回归任务常用均方误差：

分类问题：
查准率/准确率：预测正确的正例占预测正例的比例

查全率/召回率：预测正确的正例占实际正例的比例

PR图，BEP（平衡点）：

F1指标：

对于多分类：
macro-F1（宏）: P,R取平均值
micro-F1(微): TP,FP,FN取平均值

ROC，AUC：
y轴：TPR：预测对的正例占所有实际正例的比例
x轴：FPR：预测错误的正例占所有反例的比例
AUC的面积越接近于1越好

如何画图

决策树：

增益率：

基尼系数：选最小

G 越大，数据的不确定性越高；
G 越小，数据的不确定性越低；
G = 0，数据集中的所有样本都是同一类别

剪枝概念：
主动去掉一些分支来降低过拟合的风险

基本策略：
预剪枝 (pre-pruning): 提前终止某些分支的生长
对每个结点在划分前先进行估计，若当前结点的划分不能带来决策树泛化性能提升，则停止划分并将当前结点标记为叶结点。
降低了过拟合风险，但是增加了欠拟合风险

后剪枝 (post-pruning): 生成一棵完全树，再“回头”剪枝
先从训练集生成一棵完整的决策树，然后自底向上对非叶结点进行考察，若将该结点对应的子树替换为叶结点能带来决策树泛化性能提升，则将该子树替换为叶结点。

剪枝过程

对比预剪枝与后剪枝生成的决策树，可以看出，后剪枝通常比预剪枝保留更多的分支，其欠拟合风险很小，因此后剪枝的泛化性能往往由于预剪枝决策树。但后剪枝过程是从底往上裁剪，因此其训练时间开销比前剪枝要大

贝叶斯：
Dc为类别为c的样本数，D为总样本数，N为可能有的类别数
Ni为属性i的可能取值个数

后验概率：

半朴素贝叶斯：

综合题：
如果是数据题（使用BP网络）：
数据清洗：
1.可以画出每个特征的分布图，如果发现有的特征具有偏态，可以进行纠偏操作
2.可以画出每个特征的箱线图，观察有无离群点，去除离群点操作
3.求每个特征的缺失值比例，以决定是否留下该特征
4.对于数值型特征，可以进行标准化
5.对象型特征，可以用01序列转化为数值型
6.可以利用原始数据生成新的维度，如计算比例、平均值等，当作新的特征。
7.如果维数过多，可以进行PAC降维
8.如果每类的样本数目不均匀，可以进行过采样或者欠采样
特征选择：
9.选择合适的特征
10.使用10折交叉验证来生成验证集
11.选择合适的评价指标：如果是多分类可以使用macro-F1，
模型建立：
12.建立BP神经网络，输入层的节点个数为样本的特征数，激活函数初步选择sigmoid，给权值、偏置赋值为0，步长初步选择0.5.
模型优化：
如果结果不理想，可以尝试以下方法：
1.调整超参数，如步长，多次运行结果
2.增加神经元数量
3.增大深度
如果发现有过拟合现象，可以采用以下方法：
1.换用relu激活函数
2.早停：当训练误差连续几次小于某个设定阈值时，就停止训练/当训练误差变小，验证集误差升高时，就停止训练
3.在误差目标函数中加入正则项

如果是图像分类题（CNN网络）：
1.如果样本数太少，就进行数据增强，通过平移，旋转，加噪声等操作来增强数据
2.也可以通过将图片灰度化、腐蚀膨胀等操作，使得图片的某些特征更加突出。
3.可以寻找类似本问题，且已经实现的网络应用到本模型中。如：去掉其全连接层，作为本模型的特征提取器，或者固定其前几层，用新数据库去微调后几层的参数。
4.评价标准可以选用准确率和召回率
优化：
1.使用10折交叉验证来生成验证集
2.利用网格搜索寻找合适的学习率
3.对于卷积层，可以通过卷积核小型化，1x1 卷积，Network In Network来优化
4.对于池化层，可以改用L-P 池化，混合池化，随机池化等
5.激活函数可以选用relu，防止过拟合和梯度爆炸等问题
6.有过拟合倾向的话，可以在损失函数上加入正则项
7.批量归一化：对神经网络每一层的输入数据进行归一化，防止由于上一层的参数改变了数据的分布，防止梯度爆炸或梯度消失。