机器学习算法原理归纳总结：回归、聚类、支持向量、推荐、降维与神经网络

机器学习算法原理归纳总结：回归、聚类、支持向量、推荐、降维与神经网络

本文重点参考：唐宇迪博士的课程PPT [特别鸣谢]
完整版资料下载：机器学习算法原理详解+代码实战

1.回归算法

2.逻辑回归

3.决策树

• 决策树实际上是根据样本的特征个数对样本进行一步一步的细分，每个节点都将把样本按照一个衡量标准进行筛选，直到所有的样本筛选完成为止，而先筛选出来的样本将被作为前边的节点，后被筛选出的节点顺序也将往后排序

• 决策树的衡量标准为信息熵：
  
  

• 决策树过拟合风险很大

4.集成算法

Bagging模型，全称bootstrap aggregation，其实质为并行训练一堆分类器

• 典型代表：随机森林（随机：数据采样随机，特征选择随机；森林：很多个决策树并行放在一起）
  

4.1 随机森林

• 构造树模型
  

• 集成：之所以要进行随机，是要保证泛化能力，如果树都一样，那就没意义了
  

• 优势：

  • 它能够处理很高维度（feature很多）的数据，并且不用做特征选择
  • 在训练完后，它能够给出哪些feature比较重要
  • 容易做成并行化方法，速度比较快
  • 可以进行可视化展示，便于分析

4.2 Boosting模型

• 典型代表：AdaBoost， Xgboost

• Adaboost会根据前一次的分类效果调整数据权重

• Stacking可以堆叠各种各样的分类器（KNN,SVM,RF等等），分阶段：第一阶段得出各自结果，第二阶段再用前一阶段结果训练
  

5.聚类算法

5.1 K-MEANS

5.2 DBSCAN

• 全称：Density-Based Spatial Clustering of Applications with Noise
  
  
  

6.贝叶斯算法

• 主要解决的问题：

  • 正向概率：假设袋子里面有N个白球，M个黑球，你伸手进去摸一把，摸出黑球的概率是多大
  • 逆向概率：如果我们事先并不知道袋子里面黑白球的比例，而是闭着眼睛摸出一个（或好几个）球，观察这些取出来的球的颜色之后，那么我们可以就此对袋子里面的黑白球的比例作出什么样的推测

• 贝叶斯公式：
  

7.支持向量机

• 分类问题：将两个集群分隔开来的距离最近的向量成为支持向量，详解参考：https://blog.csdn.net/yohnyang/article/details/124081760
  

8.LDA与PCA算法

8.1 线性判别分析(LDA)

• 全称：Linear Discriminant Analysis
• 用途：用于数据预处理中的降维、分类任务
• 目标：LDA关心的是能够最大化类间区分度的坐标轴成分，将特征空间(数据集中的多维样本)投影到一个维度更小的K维子空间中，同时保持区分类别的信息
• 原理：投影到维度更低的空间中，使得投影后的点，会形成按类别区分，一簇一簇的情况，相同类别的点，将会在投影后的空间中更接近方法

8.2 主成分分析（PCA）

• 用途：降维中最常用的手段
• 目标：提取最有价值的信息(基于方差)

9.EM算法

• 全称：Expectation-Maximization，期望最大化

  • 最大似然
  • EM算法推导
  • GMM（高斯混合模型）

9.1 最大似然估计

• 一个栗子：假如你去赌场，但是不知道能不能赚钱，你就在门口堵着出来一个人就问一个赚了还是赔了，如果问了5个人都说赚了，那么你就会认为，赚钱的概率肯定是非常大的。
• 已知：（1）样本服从分布的模型， （2）观测到的样本
  求解：模型的参数
• 总的来说：极大似然估计就是用来估计模型参数的统计学方法。
  

9.2 EM算法

• 算法原理推导：
  

• EM算法流程

  • 初始化分布参数 $\theta$
  • E-Step：根据参数 $\theta$ 计算每个样本属于 zi 的概率(也就是我们的Q)
  • M-Step：根据Q，求出含有 $\theta$ 的似然函数的下届并最大化它，得到新的参数 $\theta$
  • 不断的迭代更新下去

9.3 GMM（高斯混合模型）

• 数据可以看作是从数个 Gaussian Distribution 中生成出来的
• GMM 由 K 个 Gaussian 分布组成，每个 Gaussian 称为一个“Component”
• 类似k-means方法，求解方式跟EM一样
• 不断的迭代更新下去

10. 神经网络

• 常规方法：
  

• 实现流程：

  • 1.预处理你的数据：对你数据中的特征进行归一化（normalize），让其具有零平均值（zero mean）和单位方差（unit variance）。
  • 2.如果数据是高维数据，考虑使用降维方法，比如PCA
  • 3.将数据随机分入训练集和验证集。按照一般规律，70%-90% 数据作为训练集
  • 4.在验证集上调优，尝试足够多的k值，尝试L1和L2两种范数计算方式。

• 关于损失函数：
  

• 神经网络，详解-> https://blog.csdn.net/yohnyang/article/details/124516301
  
  
  

• 模型组成结构：

• 举例：