機(jī)器學(xué)習(xí)所負(fù)責(zé)的任務(wù)的分類方法介紹 - 全文

機(jī)器學(xué)習(xí)算法的分類是棘手的，有幾種合理的分類，他們可以分為生成/識別，參數(shù)/非參數(shù)，監(jiān)督/無監(jiān)督等。

例如，Scikit-Learn的文檔頁面通過學(xué)習(xí)機(jī)制對算法進(jìn)行分組。這產(chǎn)生類別如：1，廣義線性模型，2，支持向量機(jī)，3，最近鄰居法，4，決策樹，5，神經(jīng)網(wǎng)絡(luò)，等等…

但是，從我們的經(jīng)驗(yàn)來看，這并不總是算法分組最為實(shí)用的方法。那是因?yàn)閷τ趹?yīng)用機(jī)器學(xué)習(xí)，你通常不會(huì)想，“今天我要訓(xùn)練一個(gè)支持向量機(jī)！”相反，你心里通常有一個(gè)最終目標(biāo)，如利用它來預(yù)測結(jié)果或分類觀察。

所以在機(jī)器學(xué)習(xí)中，有一種叫做“沒有免費(fèi)的午餐”的定理。簡而言之，它的意思就是說沒有任何一種算法可以完美地解決每個(gè)問題，這對于監(jiān)督式學(xué)習(xí)（即預(yù)測性建模）尤其重要。

例如，你不能說神經(jīng)網(wǎng)絡(luò)總是比決策樹好，反之亦然。有很多因素在起作用，比如數(shù)據(jù)集的大小和結(jié)構(gòu)。因此，您應(yīng)該為您的問題嘗試許多不同的算法，同時(shí)使用數(shù)據(jù)的“測試集”來評估性能并選擇優(yōu)勝者。

當(dāng)然，你嘗試的算法必須適合你的問題，這就是選擇正確的機(jī)器學(xué)習(xí)算法的重要性之所在。打個(gè)比方，如果你需要清理你的房子，你可以使用真空吸塵器，掃帚或拖把，但是你不會(huì)拿出一把鏟子然后開始挖掘。

因此，我們想要介紹另一種分類算法的方法，即通過機(jī)器學(xué)習(xí)所負(fù)責(zé)的任務(wù)來分類。

機(jī)器學(xué)習(xí)的任務(wù)

1.回歸

回歸是一種用于建模和預(yù)測連續(xù)數(shù)值變量的監(jiān)督學(xué)習(xí)任務(wù)。例如預(yù)測房地產(chǎn)價(jià)格，股價(jià)變動(dòng)或?qū)W生考試分?jǐn)?shù)。

回歸任務(wù)的特征是具有數(shù)字目標(biāo)變量的標(biāo)記數(shù)據(jù)集。換句話說，對于每個(gè)可用于監(jiān)督算法的觀察結(jié)果，您都有一些“基于事實(shí)”的數(shù)值。

1.1。 （正則化）線性回歸

線性回歸是回歸任務(wù)中最常用的算法之一。它最簡單的形式是試圖將一個(gè)直的超平面整合到你的數(shù)據(jù)集中（即當(dāng)你只有兩個(gè)變量的時(shí)候，你只能得到一條直線）。正如您可能猜到的那樣，當(dāng)數(shù)據(jù)集的變量之間存在線性關(guān)系時(shí)，它的效果是非常好的。

實(shí)際上，簡單的線性回歸經(jīng)常被正則化的同類算法（LASSO，Ridge和Elastic-Net）所忽略。正則化是一種懲罰大系數(shù)的技術(shù)，以避免過度擬合，它應(yīng)該調(diào)整其懲罰的力度。

優(yōu)點(diǎn)：線性回歸可以直觀地理解和解釋，并且可以正則化以避免過度擬合。另外，使用隨機(jī)梯度下降的新數(shù)據(jù)可以很容易地更新線性模型。

缺點(diǎn)：當(dāng)存在非線性關(guān)系時(shí)，線性回歸表現(xiàn)不佳。它們本身并不具有足夠的靈活性來捕捉更為復(fù)雜的模式，對于添加正確的交互作用項(xiàng)或者多項(xiàng)式來說可能會(huì)非常棘手和耗時(shí)。

實(shí)現(xiàn)：Python/ R

1.2?；貧w樹（集成）

回歸樹（決策樹的一種）是通過將數(shù)據(jù)集反復(fù)分割成單獨(dú)的分支來實(shí)現(xiàn)分層化學(xué)習(xí)，從而最大化每個(gè)分割信息的增益效果。這種分支結(jié)構(gòu)允許回歸樹自然地學(xué)習(xí)非線性關(guān)系。

隨機(jī)森林（RF）和梯度增強(qiáng)樹（GBM）等集成方法結(jié)合了許多單獨(dú)樹的特性。我們不會(huì)在這里介紹他們的基本機(jī)制，但是在實(shí)踐中，隨機(jī)森林通常表現(xiàn)地非常好，而梯度增強(qiáng)樹則很難調(diào)整，但是后者往往會(huì)有更高的性能上限。

優(yōu)點(diǎn)：回歸樹可以學(xué)習(xí)非線性關(guān)系，并且對異常值相當(dāng)敏銳。在實(shí)踐中，回歸樹也表現(xiàn)地非常出色，贏得了許多經(jīng)典（即非深度學(xué)習(xí)）的機(jī)器學(xué)習(xí)比賽。

缺點(diǎn)：無約束的單個(gè)樹很容易過擬合，因?yàn)樗鼈兛梢员３址种е钡剿鼈冇涀×怂械挠?xùn)練數(shù)據(jù)。但是，這個(gè)問題可以通過使用集成的方式來緩解。

實(shí)現(xiàn)：隨機(jī)森林 - Python / R，梯度增強(qiáng)樹 - Python / R

1.3。深度學(xué)習(xí)

深度學(xué)習(xí)是指能學(xué)習(xí)極其復(fù)雜模式的多層神經(jīng)網(wǎng)絡(luò)。他們使用輸入和輸出之間的“隱藏層”來模擬其他算法難以學(xué)習(xí)的數(shù)據(jù)中介碼。

他們有幾個(gè)重要的機(jī)制，如卷積和丟棄，使他們能夠有效地從高維數(shù)據(jù)中學(xué)習(xí)。然而，與其他算法相比，深度學(xué)習(xí)仍然需要更多的數(shù)據(jù)來訓(xùn)練，因?yàn)檫@些模型需要更多的參數(shù)來實(shí)現(xiàn)其更準(zhǔn)確的推測。

優(yōu)點(diǎn)：深度學(xué)習(xí)是在諸如計(jì)算機(jī)視覺和語音識別等領(lǐng)域內(nèi)，目前可以被利用的最先進(jìn)的方法。深度神經(jīng)網(wǎng)絡(luò)在圖像，音頻和文本數(shù)據(jù)上表現(xiàn)地非常出色，可以輕松地使用成批量的傳播方法來更新數(shù)據(jù)。它的體系結(jié)構(gòu)（即層的數(shù)量和結(jié)構(gòu)）可以適應(yīng)許多類型的問題，并且它們的隱藏層減少了對特征工程的需要。

缺點(diǎn)：深度學(xué)習(xí)算法不適合作為通用算法，因?yàn)樗鼈冃枰罅康臄?shù)據(jù)。事實(shí)上，對于傳統(tǒng)的機(jī)器學(xué)習(xí)問題，它們的表現(xiàn)通常遜色于決策樹。另外，它們需要密集型的計(jì)算訓(xùn)練，而且需要更多的專業(yè)知識來做調(diào)試（即設(shè)置架構(gòu)和超參數(shù)）。

實(shí)現(xiàn)：Python/ R

1.4。特別提及：最近鄰居法

最近鄰居算法是“基于實(shí)例的”，這意味著它會(huì)保存每個(gè)訓(xùn)練觀察的結(jié)果。然后，通過搜索最相似的訓(xùn)練觀察值并匯集結(jié)果，來預(yù)測新的觀測值。

這些算法是內(nèi)存密集型的，對于高維度數(shù)據(jù)的表現(xiàn)不佳，并且需要有意義的距離函數(shù)來計(jì)算相似度。在實(shí)踐中，訓(xùn)練正則化回歸或決策樹可能會(huì)更節(jié)省你的時(shí)間。

2.分類

分類是建模和預(yù)測分類變量的監(jiān)督學(xué)習(xí)任務(wù)。例如預(yù)測員工的流失，垃圾郵件，財(cái)務(wù)欺詐或者學(xué)生信件等級。

如你所見，許多回歸算法都有分類對應(yīng)。這種算法適用于預(yù)測類（或類概率）而不是實(shí)數(shù)類。

2.1。 （正則化的）邏輯回歸

邏輯回歸是線性回歸的分類對應(yīng)。它預(yù)測被映射到介于0和1之間的邏輯函數(shù)，這意味著預(yù)測可以被解釋為類概率。

模型本身仍然是“線性的”，所以當(dāng)你的類是線性可分的（即它們可以被一個(gè)單一的決策表面分開）時(shí)候，邏輯回歸算法十分有效。 邏輯回歸也可以通過具有可調(diào)懲罰強(qiáng)度的系數(shù)來實(shí)現(xiàn)正則化。

優(yōu)點(diǎn)：數(shù)據(jù)的輸出有一個(gè)很好的概率解釋，算法可以正則化以避免過度擬合。 邏輯回歸可以使用隨機(jī)梯度下降的方法使得新數(shù)據(jù)的更新變得更為輕松。

缺點(diǎn)：當(dāng)存在多個(gè)或非線性的決策邊界時(shí)，邏輯回歸往往表現(xiàn)不佳。它不夠靈活，無法自然地捕捉到更復(fù)雜的關(guān)系。

實(shí)現(xiàn)：Python/ R

2.2。分類樹（集成）

分類樹是回歸樹的分類對應(yīng)算法。它們倆被統(tǒng)稱為“決策樹”，或者被稱為“分類和回歸樹（CART）”。

優(yōu)點(diǎn)：與回歸樹一樣，集成分類樹在實(shí)踐中的表現(xiàn)也很好。它們對于異常值的控制是可靠的和可擴(kuò)展的，并且由于它們的層次結(jié)構(gòu)，能夠自然地對非線性決策邊界進(jìn)行建模。

缺點(diǎn)：不受約束的單個(gè)樹容易過度擬合，但是這可以通過集成方法來緩解。

實(shí)現(xiàn)：隨機(jī)森林 - Python / R，梯度增強(qiáng)樹 - Python / R

2.3。深度學(xué)習(xí)

延續(xù)其一貫的趨勢，深度學(xué)習(xí)也很容易適應(yīng)分類問題。實(shí)際上，深度學(xué)習(xí)往往是分類中比較常用的方法，比如在圖像分類中。

優(yōu)點(diǎn)：在分類音頻，文本和圖像數(shù)據(jù)時(shí)，深度學(xué)習(xí)表現(xiàn)地非常出色。

缺點(diǎn)：與回歸一樣，深度神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，所以它不被視為通用算法。

實(shí)現(xiàn)：Python的/ R

2.4。支持向量機(jī)

支持向量機(jī)（SVM）使用稱為核心（kernels）的機(jī)制，它計(jì)算兩個(gè)觀察對象之間的距離。隨后支持向量機(jī)算法找到一個(gè)決策邊界，最大化不同類別的最近成員之間的距離。

例如，具有線性內(nèi)核的支持向量機(jī)類似于邏輯回歸。因此，在實(shí)踐中，支持向量機(jī)的好處通常來自于使用非線性的內(nèi)核來建模一種非線性的決策邊界。

優(yōu)點(diǎn)：支持向量機(jī)可以模擬非線性決策邊界，并有許多內(nèi)核可供選擇。它們對于過度擬合的控制力也相當(dāng)強(qiáng)大，特別是在高維空間。

缺點(diǎn)：然而，支持向量機(jī)是難以調(diào)整的內(nèi)存密集型算法，而且很依賴于選擇正確的核心，并且不能很好地?cái)U(kuò)展到較大的數(shù)據(jù)集里。目前在行業(yè)中，隨機(jī)森林通常優(yōu)于支持向量機(jī)。

實(shí)現(xiàn)：Python/ R

2.5。樸素貝葉斯

樸素貝葉斯（NB）是一個(gè)基于條件概率和計(jì)數(shù)的非常簡單的算法。從本質(zhì)上講，你的模型實(shí)際上是一個(gè)概率表，通過你的訓(xùn)練數(shù)據(jù)得到更新。為了預(yù)測一個(gè)新的觀察結(jié)果，您只需根據(jù)其“特征值”，在“概率表”中查找該類的概率。

它被稱為“樸素的”，是因?yàn)樗鼦l件獨(dú)立的核心假設(shè)（即所有輸入特征是相互獨(dú)立的），這在現(xiàn)實(shí)世界中很少成立。

優(yōu)點(diǎn)：即使條件獨(dú)立性假設(shè)很少成立，但樸素貝葉斯模型在實(shí)踐中表現(xiàn)得非常出色，特別是它十分簡單。而且很容易實(shí)現(xiàn)，并可以和數(shù)據(jù)集同步擴(kuò)展。

缺點(diǎn)：由于其簡單化的原因，樸素貝葉斯模型經(jīng)常被經(jīng)過適當(dāng)訓(xùn)練的其他模型和之前已經(jīng)列出的算法吊打。

實(shí)現(xiàn)：Python/ R

3.聚類

聚類是一種無監(jiān)督的學(xué)習(xí)任務(wù)，用于基于數(shù)據(jù)集中的固有結(jié)構(gòu)來發(fā)現(xiàn)自然的觀測分組（即聚類）。例子包括客戶細(xì)分，電子商務(wù)中的類似項(xiàng)目分組以及社交網(wǎng)絡(luò)分析。

因?yàn)榫垲愂菬o監(jiān)督的（即沒有“正確答案”），所以通常使用可視化的數(shù)據(jù)來評估結(jié)果。如果有“正確的答案”（即你的訓(xùn)練集中有預(yù)標(biāo)記的聚類），那么選擇分類算法通常更合適。

3.1。K-Means算法

K-Means算法是一種通用算法，它根據(jù)點(diǎn)之間的幾何距離（即坐標(biāo)平面上的距離）進(jìn)行聚類。這些集群圍繞著質(zhì)心分組，使它們成為球形，并具有相似的大小。

對于初學(xué)者來說，這是我們推薦的一種算法，因?yàn)樗芎唵?，而且足夠靈活，可以為大多數(shù)問題獲得合理的結(jié)果。

優(yōu)點(diǎn)：K-Means算法是最流行的聚類算法，因?yàn)槿绻腩A(yù)處理數(shù)據(jù)或者編譯有用的功能，它是一種快速，簡單和擁有令人驚訝的靈活性的一種算法。

缺點(diǎn)：用戶必須指定簇的數(shù)目，這并不總是很容易的。另外，如果數(shù)據(jù)中真實(shí)的底層聚類不是球狀的，那么K-Means算法將產(chǎn)生錯(cuò)誤的聚類。

實(shí)現(xiàn)：Python/ R

3.2。近鄰傳播

近鄰傳播是一種相對較新的聚類技術(shù)，可以根據(jù)點(diǎn)之間的圖距進(jìn)行聚類。集群傾向于變得更小和具有不均勻的大小。

優(yōu)點(diǎn)：用戶不需要指定簇的數(shù)量（但是需要指定“樣本偏好”和“阻尼”超參數(shù)）。

缺點(diǎn)：近鄰傳播的主要缺點(diǎn)是速度很慢，占用內(nèi)存很大，難以擴(kuò)展到較大的數(shù)據(jù)集。另外，它也需要假設(shè)真正的底層集群是球狀的。

實(shí)現(xiàn)：Python/ R

3.3。分層/凝聚

分層聚類，又名聚集聚類，是基于相同思想的一套算法：（1）從它自己的聚類中的每個(gè)點(diǎn)開始。 （2）對于每個(gè)簇，根據(jù)一些標(biāo)準(zhǔn)將其與另一個(gè)簇合并。 （3）重復(fù)，直到只剩下一個(gè)群集，并留下一個(gè)簇的層次結(jié)構(gòu)。

優(yōu)點(diǎn)：分層聚類的主要優(yōu)點(diǎn)是不會(huì)假設(shè)球體是球狀的。另外，它可以很好地?cái)U(kuò)展到更大的數(shù)據(jù)集里。

缺點(diǎn)：就像K-Means算法一樣，用戶必須選擇聚類的數(shù)量（即在算法完成之后要保留的層次級別）。

實(shí)現(xiàn)：Python/ R

3.4。 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）

DBSCAN是一種基于密度的算法，可以為密集的點(diǎn)區(qū)域生成集群。還有一個(gè)最近的新發(fā)展被稱為HDBSCAN，允許產(chǎn)生密度不同的集群。

優(yōu)點(diǎn)：DBSCAN不假設(shè)集群為球狀，其性能也是可擴(kuò)展的。另外，它不需要將每個(gè)點(diǎn)都分配給一個(gè)簇，從而減少簇的噪聲（這可能是一個(gè)弱點(diǎn)，取決于你的用的地方）。

缺點(diǎn)：用戶必須調(diào)用超參數(shù)“epsilon”和“min_samples”，它們定義了簇的密度。 DBSCAN對這些超參數(shù)非常敏感。

實(shí)現(xiàn)：Python/ R