第一章 机器学习简介
机器学习,发明计算机算法,把数据转化为智能行为。(核心循环的三者:现有数据;统计方法;计算能力)
数据挖掘,从大型数据库中产生新的洞察,侧重寻找有价值的信息;机器学习侧重于执行一个已知的任务。
1.2 学习理论
定义:如果机器能够获取经验并且能利用它们,在以后的类似经验中能够提高它的表现,这种行为就是机器的学习。
学习过程:
- 数据输入,观察(抽象并提取信息),记忆(将信息存储在大脑的某个文件里),回忆(打开大脑里的文件)
- 抽象化,将数据转换成更宽泛的表现形式
- 一般化,应用抽象数据来形成行动的基础
-
举例:学习&考试
过目不忘并不是一种本领,而是一种低级的作弊方式,你没有深刻理解知识,数据本身并不能为你做出决策;必须理解核心概念(建立大纲、概念图),明确信息之间的关系,以主题为中心(这就是知识抽象化)。 一般化,需要大量抽象数据,理解如何将已有知识应用到未知场景中(好的老师能做到这两点)。
1.2.1 抽象化和知识表达
原始数据是没有意义的,仅仅是一些01或符号而已,抽象化赋予数据以具体含义。
idea 和 reality,只是语言的抽象连接。
知识表达中,将原始数据概括在一个模型里,该模型就是数据间结构化的显式描述。(方程,图表,分类都是模型)
学习的任务和所分析数据的类型决定选择使用什么模型。
用一个特定的模型来拟合数据集的过程称为训练(还没达到学习,这还只是抽象化,学习还包括一般化)。
当模型被训练后,数据转换为一个汇总了原始信息的抽象形式。模型提供了数据之间的关系或联系。
1.2.2 一般化
抽象化过程中可能发现无数的内在关系,有多种方法可以对内在关系建模(集合),为了预测,必须选定模型。
定义:一般化描述了把抽象化的知识转换成可以用于行动的形式。是训练过程中对所有可用于数据抽象化的模型的搜索过程。
一般不会遍历每一种可能来确定模型,而是用启发式方法。
偏差,就是系统误差,是模型与真实值之间的差距。偏差是普遍存在的。
一般化的最后一步就是在存在偏差的情况下判断模型的成功性。
数据中必然存在噪音,模型不能拟合噪音而造成过度拟合,模型处理噪音数据的好坏是判断模型成功与否的重要方面。
应用机器学习的步骤
收集数据,数据的多种来源
探索数据和准备数据,这一步需要大量人工干预,80%精力花费在此。
基于数据训练模型,模型,算法,表示数据
评价模型性能,每个模型会产生一个学习问题的有偏差的解决方法。能用一个测试集来评价模型的精确度。
改进模型
1.4 选择机器学习算法
-
要权衡学习数据的特征和可以使用方法的偏差。理解所分析数据的类型和任务。
1.4.1 输入的数据
几乎所有的输入数据都是以样本(example)和特征值(feature)组成的表格。
特征有多种形式:数值型特征,分类变量,有序变量(有序的,如大中小)是一种特殊的分类变量。
1.4.2 机器学习算法的类型
监督学习,建立预测模型,利用数据集中的其他数值来预测另一个值。发现并且建模目标特征和其他特征之间的关系。目标值担任监督的角色,告诉机器学习的任务是什么。 给定训练集,学习算法会最优化一个模型(函数)来找出属性值之间的组合方式,最终给出目标值。 常见的有分类,回归分析。
无监督学习,建立描述模型,没有学习目标。模式发现,购物篮分析,聚类,
1.4.3 为数据匹配合适的算法
模型 | 任务 | 章节 |
有监督学习算法 | ||
近邻法 | 分类 | 3 |
朴素贝叶斯 | 分类 | 4 |
决策树 | 分类 | 5 |
分类器 | 分类 | 5 |
线性回归 | 数值预测 | 6 |
回归树 | 数值预测 | 6 |
模型树 | 数值预测 | 6 |
神经网络 | 双重 | 7 |
支持向量机 | 双重 | 7 |
无监督学习 | ||
关联规则 | 模式识别 | 8 |
k均值聚类 | 聚类 | 9 |