16 KiB
深度学习与机器学习分类 1.监督学习: 分类:将输入数据分配到预定义的类别中,如图像分类,文本分类 回归:预测连续值,如房价预测,股票价格预测. 2.无监督学习: 聚类:将数据分组,如客户细分,图像分割. 降维:减少数据维度,如PCA,t-SNE 3.半监督学习:结合少量标注数据和大量未标注数据进行训练. 4.强化学习:通过与环境交互学习策略,如游戏AI,机器人控制. 5.生成模型: 生成对抗网络(GANS):生成逼真数据,如图像生成,视频生成. 扩散模型:同上 自编码器:学习数据表示,用于数据压缩,去噪.
机器学习主要算法 1.监督学习算法 1.线性回归:用于回归任务,通过线性方程预测连续值. 2.逻辑回归:用于分类任务,通过逻辑函数预测类别概率 3.支持向量机(SVM):用于分类和回归,通过找到最优超平面分离数据. 4.决策树:用于分类和回归,通过树结构进行决策. 5.随机森林:集成学习方法,通过多个决策树提高性能. 6.K近邻(KNN):基于距离度量,通过最近邻样本进行预测. 7.朴素贝叶斯:基于贝叶斯定理,适用于文本分类等任务. 8.AdaBoost:集成学习算法,通过加权多个若分类器提高性能. 9.梯度提升树(GBM):通过逐步优化残差进行预测. 10.XGBoost:GBM的高效实现. 11.LightGBM:另一种高效的GBM实现,适用于大规模数据. 2.无监督学习 1.K均值聚类 2.层次聚类: 3.主成分分析(PCA):用于降维,通过线性变换保留主要特征 4.t-SNE:用于高维数据可视化,保留局部结构. 5.自组织映射(SOM):通过神经网络进行数据降维和可视化. 6.高斯混合模型(GMM):通过多个高斯分布拟合数据.
机器学习算法具体介绍 1.线性回归: 用于建模输入变量(自变量)与输出变量(因变量)之间线性关系的统计方法. 原理: y=β0+β1x1+β2x2+⋯+βnxn+ϵ
ϵ误差项,表示模型未能解释的部分
目标: 最小化误差项的平方和(最小二乘法)来估计系数
L(β)=i=1∑m(yi−(β0+β1xi1+β2xi2+⋯+βnxin))2
适用场景:
1.连续值预测:
房价预测
股票价格预测
销售额预测:根据广告投入,市场条件等预测销售额.
2.因果关系分析:
经济学:分析政策变化对经济指标的影响.
医学:研究药物剂量对治疗效果的影响.
3.简单建模:
初步分析:在复杂模型之前,使用线性回归进行初步数据分析.
解释性模型:模型回归模型易于解释,适合需要透明度的场景
优缺点:
优点:
简单易懂：模型结构简单，易于理解和实现。
计算高效：训练和预测速度快，适用于大规模数据。
解释性强：系数直接反映自变量对因变量的影响。
缺点:
线性假设：假设自变量和因变量之间存在线性关系，可能不适用于非线性数据。
对异常值敏感：异常值可能对模型产生较大影响。
多重共线性：自变量之间高度相关时，模型表现可能不佳。
逻辑回归:基于线性回归,引入sigmoid函数来将线性回归的连续值映射到01之间. 原理: 同逻辑回归,最后采用sigmoid函数将连续值映射到01之间,根据设定的阈值来划分正负样本,或者使用预测的值作为其发生概率.
目标:
最大化似然函数(最小化对数损失函数)
也就是真的真,假的假.
适用场景:
二分类问题：
垃圾邮件检测：判断邮件是否为垃圾邮件。
疾病诊断：判断患者是否患有某种疾病。
信用评分：判断客户是否会违约。
多分类问题（通过扩展）：
手写数字识别：识别手写数字（0-9）。
图像分类：将图像分类到多个类别中。
概率预测：
客户流失预测：预测客户流失的概率。
点击率预测：预测广告点击的概率。
解释性模型：
特征重要性分析：通过系数大小判断特征对结果的影响。
因果关系分析：分析自变量对因变量的影响。
优缺点:
优点
简单易懂：模型结构简单，易于理解和实现。
计算高效：训练和预测速度快，适用于大规模数据。
解释性强：系数直接反映自变量对因变量的影响。
概率输出：提供概率估计，便于后续决策。
缺点
线性决策边界：假设自变量和因变量之间存在线性关系，可能不适用于非线性数据。
对异常值敏感：异常值可能对模型产生较大影响。
多重共线性：自变量之间高度相关时，模型表现可能不佳。
支持向量机(SVM):找到一个最优超平面来分离不同类别的数据点,并最大化类别之间的边界 基本概念: 1.超平面: 在二维空间中，超平面是一条直线；在三维空间中，超平面是一个平面；在高维空间中，超平面是一个n-1维的子空间。 超平面的方程可以表示为：wx+b=0 2.间隔: 间隔是超平面到最近数据点的距离。SVM的目标是最大化这个间隔。 支持向量是距离超平面最近的那些数据点，它们决定了超平面的位置。 3.硬间隔与软间隔 硬间隔：要求所有数据点都被正确分类，且间隔最大化。适用于线性可分的数据。 软间隔：允许一些数据点被错误分类，以提高模型的泛化能力。适用于线性不可分的数据。 4.核函数 用于将数据映射到高维空间，使得在高维空间中数据变得线性可分。 常见的核函数包括： 线性核：K(xi,xj)=xi⋅xjK(xi,xj)=xi⋅xj 多项式核：K(xi,xj)=(γxi⋅xj+r)dK(xi,xj)=(γxi⋅xj+r)d 径向基函数（RBF）核：K(xi,xj)=exp(−γ∥xi−xj∥2)K(xi,xj)=exp(−γ∥xi−xj∥2) Sigmoid核：K(xi,xj)=tanh(γxi⋅xj+r)K(xi,xj)=tanh(γxi⋅xj+r) 5.目标函数: SVM的目标是最大化间隔，同时最小化分类误差。这可以通过以下优化问题来表示：
约束条件:
适用场景:
高维空间：
文本分类：如垃圾邮件检测、情感分析。
图像分类：如手写数字识别、人脸识别。
非线性分类：
生物信息学：如基因表达数据分析。
金融：如信用评分、股票市场预测。
小样本数据：
医学诊断：如疾病预测、药物反应分析。
工业应用：如故障检测、质量控制。
多分类问题：
手写数字识别：识别0-9的手写数字。
图像分类：将图像分类到多个类别中。
优缺点:
优点:
有效处理高维数据：在高维空间中表现良好。
泛化能力强：通过最大化间隔，提高模型的泛化能力。
灵活性强：通过使用不同的核函数，可以处理线性和非线性问题。
缺点:
计算复杂度高：对于大规模数据集，训练时间较长。
参数选择敏感：核函数和参数的选择对模型性能影响较大。
解释性差：相比线性模型，SVM的解释性较差。
决策树:通过一系列条件判断（节点），将数据逐步分割成更小的子集，最终达到预测目标。其核心思想是递归地选择最佳特征进行数据划分，直到满足停止条件。 原理: 决策树由根节点、内部节点和叶节点组成： 根节点（Root Node）：表示整个数据集，包含所有样本。 内部节点（Internal Nodes）：对应于特征的划分，决定数据如何被进一步分割。 叶节点（Leaf Nodes）：最终的分类或预测值。 特征选择标准: 为了找到最佳的划分方式，需要计算某种指标来衡量特征的划分能力，主要有： 信息增益（Information Gain, IG）： 适用于ID3算法。 衡量数据集划分前后的信息熵变化，信息增益越大，说明该特征越能有效区分数据。 信息熵公式： H(D)=−∑i=1npilog2piH(D) = -\sum_{i=1}^{n} p_i \log_2 p_iH(D)=−i=1∑npilog2pi 信息增益： IG(D,A)=H(D)−∑v∈A∣Dv∣∣D∣H(Dv)IG(D, A) = H(D) - \sum_{v \in A} \frac{|D_v|}{|D|} H(D_v)IG(D,A)=H(D)−v∈A∑∣D∣∣Dv∣H(Dv)
信息增益率（Gain Ratio）：
适用于C4.5算法。
解决信息增益偏向于多值特征的问题。
公式： GR(A)=IG(D,A)H(A)GR(A) = \frac{IG(D, A)}{H(A)}GR(A)=H(A)IG(D,A)
其中 H(A)H(A)H(A) 是特征A的固有信息熵。
基尼指数（Gini Index）：
适用于CART算法（用于分类）。
计算类别的不纯度，基尼指数越小，说明数据的纯度越高。
公式： Gini(D)=1−∑i=1npi2Gini(D) = 1 - \sum_{i=1}^{n} p_i^2Gini(D)=1−i=1∑npi2
均方误差（MSE, Mean Squared Error）：
适用于CART回归树（用于回归）。
通过最小化方差来进行划分。
决策树的剪枝:
为了防止过拟合，通常会对决策树进行剪枝：
预剪枝（Pre-pruning）：
在构造决策树的过程中，通过设定最大深度、最小样本数、信息增益阈值等，提前停止树的生长。
后剪枝（Post-pruning）：
先生成完整的决策树，再使用交叉验证或错误率评估对非必要的分支进行剪枝，去掉对泛化能力无贡献的部分。
适用场景:
分类任务：
电子商务用户行为预测（如判断用户是否会购买商品）。
信贷风险评估（如预测贷款是否会违约）。
医疗诊断（如判断病人是否患有某种疾病）。
回归任务：
房价预测（如根据面积、地段预测房价）。
股票市场分析（如基于历史数据预测股票走势）。
特征选择：
决策树的分裂过程可以用来评估特征的重要性，从而进行特征筛选。
异常检测：
通过决策树模型分析数据的分布情况，检测异常值。
优缺点:
优点:
易解释：决策路径直观，适合可视化。
计算高效：训练时间一般较短，适用于大规模数据。
不需要数据归一化：对数值数据不需要标准化或归一化处理。
可以处理非线性关系：可以自动捕捉特征之间的非线性关系。
适用于缺失数据：决策树可以处理部分缺失数据，不需要填充。这个只是可能而已,刚好缺失的数据用不到...
缺点:
容易过拟合：如果不进行剪枝，决策树可能会过度拟合训练数据。
对噪声敏感：小的变化可能导致完全不同的树结构。
处理连续变量效果较差：对于连续变量，决策树的划分可能不够精细。
倾向于偏向于多值特征：信息增益可能会导致决策树偏向具有更多取值的特征。
随机森林:构建多个决策树将其预测结果结合起来,从而提高模型性能 原理: 随机采样: 对于每一棵决策树，随机森林通过对训练数据进行有放回抽样，即每次从训练集中随机选择样本来构建一棵树。这样，在每棵树中，可能会有一些样本没有被选择到（这些样本称为“袋外样本”）。 每棵树都是在一个不同的子集上训练的，因此即使所有的树都是基于决策树模型，最终的森林也是多个“不同”的树. 特征随机性: 在每一棵树的节点划分时，随机森林不是在所有特征上选择最优切分点，而是随机选择一个特征子集来进行分裂。这样可以增加树之间的差异性，减少单棵树的过拟合风险。 例如，在某个节点上，随机选择k个特征（k通常小于总特征数），然后在这k个特征中选择最佳切分点。 决策树构建: 在每一棵决策树中，通常不对树的深度进行限制，或者只设置最小样本数和最大深度等限制条件。树的生长较为“自由”，这可以捕捉更多的数据复杂性。集成学习: 随着多棵树的训练完成，每棵树对样本进行独立的预测。在回归任务中，随机森林会对所有树的预测结果取平均值；在分类任务中，随机森林会采用投票机制，选择预测频次最多的类别作为最终结果。
优缺点:
优点:
减少过拟合：通过集成多棵决策树，随机森林通过平均（回归）或投票（分类）来减少单棵树可能发生的过拟合。
提高准确性：集成的多棵树的预测通常比单棵树要更准确，尤其在面对复杂和高维度数据时，随机森林表现得尤为出色。
处理大规模数据：可以处理高维数据，能够通过特征选择和随机性减少维度灾难。
鲁棒性强：即使某些特征或数据不完整，随机森林依然能够保持相对较好的性能。
特征重要性评估：通过分析每个特征在不同树中的表现，随机森林可以给出特征的重要性排序。
缺点:
模型复杂：由于包含多棵树，随机森林模型本身较为复杂，训练和预测时的计算开销较大，尤其是数据集非常庞大的时候。
可解释性差：相比单一的决策树，随机森林作为一个集成模型，其“黑箱”性质较强，难以直接解释其决策过程。
内存消耗大：由于随机森林需要存储多棵树，因此在内存和计算资源上会有较高的要求，尤其是在大数据集上。
适用场景:
高维数据和复杂数据：
随机森林能够自动处理高维数据和复杂的特征间关系，适合特征维度较高或者数据关系非线性的场景。
回归任务和分类任务：
随机森林既可以用于回归任务（例如预测房价、股市预测等），也可以用于分类任务（例如图像分类、文本分类等）。
数据噪声较多的场景：
随机森林通过集成多棵树来减轻单棵树可能发生的过拟合问题，因此特别适合处理带有噪声和缺失数据的任务。
特征选择：
在特征数量非常庞大的情况下，随机森林能够通过其特征重要性评估功能，自动筛选出对预测有重要贡献的特征。
非线性关系：
当数据中的特征和目标变量之间存在复杂的非线性关系时，单棵线性模型（如线性回归）可能表现不佳，但随机森林可以通过多棵树的集成来捕捉这些复杂的非线性关系。