感覺未來是大資料環境下的人工智能時代呀，不能被時代的馬車拋棄，西瓜書這么出名，簡要了解一下
1 緒論
1.1 引言
機器學習定義：利用經驗來改善計算機系統自身的性能
另外一種廣泛被參考的英文定義：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E（T：任務，P：性能評估，E：資料，一段程式利用E提升了在T上的P那么就稱之為機器學習）
機器學習的主要內容即在資料中產生模型的演算法
機器學習的核心即學習演算法
機器學習動機：為了讓計算機系統具有人的學習能力以便實作人工智能
機器學習技術：神經網路學習、決策樹學習、貝葉斯學習、最近鄰學習、線性學習、支持向量機學習等等
經驗在計算機中的表現為資料，那么使得機器學習成為智能分析技術的創新源之一，并且因此受到越多關注
經常和另外一種智能分析技術-資料挖掘來對比
資料挖掘：識別出巨量資料中有效的、新穎的、潛在有用的、最終可理解的模式的非平凡程序
資料挖掘可以視為機器學習與資料庫的交叉，主要利用機器學習界提供的技術來分析海量資料，利用資料庫界的技術來管理海量資料
機器學習和資料挖掘既有區別又有聯系，機器學習偏理論，資料挖掘偏應用
1.2 基本術語
資料集(dataset):類比資料庫概念中的table
示例(instance) or 樣本(sample):類比資料庫中table中的row即一行記錄或稱之為元組，在空間中也可以描述為特征向量(feature vector)
屬性(attr) or 特征(feature):類比資料庫中的col即列，空間中也叫做維數(dimensionality)
屬性空間、樣本空間、輸入空間：屬性值的取值集合
學習或者訓練：從資料中產生模型的程序
訓練資料
訓練樣本
訓練集
標記(lable):關于示例結果的資訊
樣例(example):擁有了標記資訊的示例
標記空間(lable space) or 輸出空間：所有標記的集合
分類(classification)：預測的是離散值
回歸(regression):預測的連續值
聚類(clustering)
二分類：預測值只有兩個，一個叫正類，一個叫反類
多分類：預測值多于2
測驗：學得模型后，利用模型預測的程序
有監督學習：資料集有標記（分類和回歸演算法屬于此）
無監督學習：資料集沒有標記（聚類演算法屬于此）
泛化（generalization):學得的模型適用于新樣本的能力
1.3 假設空間
歸納(induction):特殊到一般，泛化程序(generalization)
演繹(deduction)：一般到特殊(specilization)
概念學習、布爾概念學習：研究、應用較少，因為學得語意明確泛化性能好的概念太難了
機械學習
樣本噪聲
學習：在假設空間進行搜索的程序
假設集合、假設空間、版本空間
1.4 歸納偏好
“奧卡姆剃刀”：若有多個假設與觀察一致，則選擇最簡單的那個
演算法的歸納偏好是否與問題本身匹配，大多數時候直接決定了演算法能否取得好的性能
“沒有免費午餐”定理，即NFL定理：在脫離實際意義情況下，空泛地談論哪種演算法好毫無意義，要談論演算法優劣必須針對具體學習問題
1.5 發展歷程
機器學習是人工智能研究發展到一定階段的必然產物
1.6 應用現狀
應用廣泛
“只要有資料存在的地方，機器學習就有價值”
2 模型評估與選擇
2.1 經驗誤差與過擬合
錯誤率
精度
誤差
訓練誤差
泛化誤差
過擬合：學習能力太強，除了訓練樣本中的“一般規律”學到了，連不太一般的特性也學到了
欠擬合：學習能力弱
欠擬合比較容易克服，例如在決策樹學習中擴展分支、在神經網路學習中增加訓練輪數等；而過擬合則很麻煩，是機器學習面臨的關鍵障礙，是無法避免的，我們只能“級訓”或者減少其風險
機器學習面臨的問題通常是NP困難甚至更難，有效的學習演算法必然是在多項式時間內運行完成
實際中，不同演算法甚至相同演算法不同調參都產生不同模型，那么使用哪個就是“模型選擇”問題
2.2 評估方法
測驗集
測驗誤差：用來當作泛化誤差的近似
留出法：一般要多次隨機劃分重復實驗取均值，通常做法是2/3-4/5樣本用于訓練
p次k折交叉驗證法：常見的10次10折交叉驗證法
自助法：資料量少時候有用
調參
驗證集
2.3 性能度量
性能度量：對學習器的泛化性能評估
均方誤差：回歸任務最常用的性能度量
錯誤率
精度
查準率precision
P=TP/(TP+FP)
查全率recall
R=TP/(TP+FN)
查準率-查全率曲線，即P-R曲線
如果一個學習器的P-R曲線被另一個學習器的P-R曲線包住，則斷定后者性能更好，如果有交叉，則難以斷定需要個性化權衡P和R，如果仍然比較優劣，合理的判斷是比較面積大小
平衡點，是查準率=查全率的取值，以此點比較學習器的優劣
F1度量：平衡點還是過于簡單，F1更常用
Fβ=（1+β2）*P*R/((β2*P)+R)
當β=1時候為標準的F1
F1=2*P*R/(P+R)
其中，β>0度量了查全率對查準率的相對重要性，β>1時，查全率更重要,β<1，查準率更重要
多次訓練/測驗得出宏查準率、宏查全率、微查準率、微查全率
ROC曲線:受試者作業特征
縱軸：真正利率TPR=TP/(TP+FN)
橫軸：假正利率FPR=FP/(TN+FP)
某個學習器的ROC曲線被另一個學習器完全包住，則后者更優；弱有交叉，則判斷下方面積AUC
代價敏感錯誤率與代價曲線
非均等代價
代價矩陣
非均等代價情況下用代價曲線替換ROC曲線
2.4 比較檢驗
統計假設檢驗(hypothesis test)：假設檢驗、交叉驗證t檢驗、McNemar檢驗、Friedman檢驗與Nemenyi后續檢驗
2.5 方差與偏差
“偏差-方差分解”是解釋學習演算法泛化性能的一種重要工具
3 線性模型
3.1 基本形式
易解釋，直觀表達各個屬性的重要性
3.2 線性回歸
均方誤差 or 平方損失 or 殘差：最小
最小二乘法：試圖找到一條直線，使得所有樣本到直線上的歐式距離最小
簡單回歸
多元線性回歸
待續
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/39005.html
標籤：其他