图解十大经典机器学习算法入门

àì夳堔傛蜴生んèń 2022-03-08 13:20 235阅读 0赞

弱人工智能近几年取得了重大突破，悄然间，已经成为每个人生活中必不可少的一部分。以我们的智能手机为例，看看到底温藏着多少人工智能的神奇魔术。

下图是一部典型的智能手机上安装的一些常见应用程序，可能很多人都猜不到，人工智能技术已经是手机上很多应用程序的核心驱动力。

![图解十大经典的机器学习算法][43500001eb4471788557]

图1 智能手机上的相关应用

传统的机器学习算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。这篇文章将对常用算法做常识性的介绍，没有代码，也没有复杂的理论推导，就是图解一下，知道这些算法是什么，它们是怎么应用的。

> 人工智能领域知识面广泛，推荐专注于人工智能在线教育的平台—[深蓝学院][Link 1]。深蓝学院由[中科院自动化所][Link 2]毕业博士团队创建，虽成立半年，但在业界已颇具口碑。

# 决策树 #

根据一些 feature（特征） 进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上。

![图解十大经典的机器学习算法][435200006b668ea633bd]

图2 决策树原理示意图

# 随机森林 #

在源数据中随机选取数据，组成几个子集：

![图解十大经典的机器学习算法][434f0001f5ed801daccf]

图3-1 随机森林原理示意图

S矩阵是源数据，有1-N条数据，A、B、C 是feature，最后一列C是类别：

![图解十大经典的机器学习算法][435200006bcfcb4c5948]

由S随机生成M个子矩阵：

![图解十大经典的机器学习算法][434f0001f6466bf0d67d]

这M个子集得到 M 个决策树：将新数据投入到这M个树中，得到M个分类结果，计数看预测成哪一类的数目最多，就将此类别作为最后的预测结果。

![图解十大经典的机器学习算法][434e00020cea24ad72ac]

图3-2 随机森林效果展示图

# 逻辑回归 #

当预测目标是概率这样的，值域需要满足大于等于0，小于等于1的，这个时候单纯的线性模型是做不到的，因为在定义域不在某个范围之内时，值域也超出了规定区间。

![图解十大经典的机器学习算法][4352000088a0cca901dc]

图4-1 线性模型图

所以此时需要这样的形状的模型会比较好：

![图解十大经典的机器学习算法][43500002088dadd37cd2]

图4-2

那么怎么得到这样的模型呢？

这个模型需要满足两个条件 “大于等于0”，“小于等于1” 。大于等于0 的模型可以选择绝对值，平方值，这里用指数函数，一定大于0；小于等于1 用除法，分子是自己，分母是自身加上1，那一定是小于1的了。

![图解十大经典的机器学习算法][43520000890f09d83fe9]

图4-3

再做一下变形，就得到了 logistic regressions 模型：

![图解十大经典的机器学习算法][4351000204be99bba336]

图4-4

通过源数据计算可以得到相应的系数了：

![图解十大经典的机器学习算法][4353000003f6ba0e0f8d]

图4-5

![图解十大经典的机器学习算法][435100020586720b85a6]

图4-6 LR模型曲线图

# 支持向量机 #

要将两类分开，想要得到一个超平面，最优的超平面是到两类的 margin 达到最大，margin就是超平面与离它最近一点的距离，如下图，Z2>Z1，所以绿色的超平面比较好。

![图解十大经典的机器学习算法][435000020b04838dcf31]

图5 分类问题示意图

将这个超平面表示成一个线性方程，在线上方的一类，都大于等于1，另一类小于等于－1：

![图解十大经典的机器学习算法][435000020b4ac6b506a0]

点到面的距离根据图中的公式计算：

![图解十大经典的机器学习算法][435200008bc2bf7f5517]

所以得到total margin的表达式如下，目标是最大化这个margin，就需要最小化分母，于是变成了一个优化问题：

![图解十大经典的机器学习算法][43530000059e39d73a18]

举个例子，三个点，找到最优的超平面，定义了 weight vector＝（2，3）－（1，1）：

![图解十大经典的机器学习算法][4353000005c7816fdd59]

得到weight vector为（a，2a），将两个点代入方程，代入（2，3）另其值＝1，代入（1，1）另其值＝-1，求解出 a 和 截矩 w0 的值，进而得到超平面的表达式。

![图解十大经典的机器学习算法][43510002070c383b6105]

a求出来后，代入（a，2a）得到的就是support vector，a和w0代入超平面的方程就是support vector machine。

# 朴素贝叶斯 #

举个在 NLP 的应用：给一段文字，返回情感分类，这段文字的态度是positive，还是negative：

![图解十大经典的机器学习算法][43530000063edd668c55]

图6-1 问题案例

为了解决这个问题，可以只看其中的一些单词：

![图解十大经典的机器学习算法][435200008cd4629a6bc4]

这段文字，将仅由一些单词和它们的计数代表：

![图解十大经典的机器学习算法][434e00022df729f719f3]

原始问题是：给你一句话，它属于哪一类 ？通过bayes rules变成一个比较简单容易求得的问题：

![图解十大经典的机器学习算法][434d00022ba607261510]

问题变成，这一类中这句话出现的概率是多少，当然，别忘了公式里的另外两个概率。例子：单词“love”在positive的情况下出现的概率是 0.1，在negative的情况下出现的概率是0.001。

![图解十大经典的机器学习算法][43510002080ef9b94c91]

图6-2 NB算法结果展示图

# K近邻算法 #

给一个新的数据时，离它最近的 k 个点中，哪个类别多，这个数据就属于哪一类。

例子：要区分“猫”和“狗”，通过“claws”和“sound”两个feature来判断的话，圆形和三角形是已知分类的了，那么这个“star”代表的是哪一类呢？

![图解十大经典的机器学习算法][434e00022edc52fa300b]

图7-1 问题案例

k＝3时，这三条线链接的点就是最近的三个点，那么圆形多一些，所以这个star就是属于猫。

![图解十大经典的机器学习算法][4351000208a4639fb593]

图7-2 算法步骤展示图

# K均值算法 #

先要将一组数据，分为三类，粉色数值大，黄色数值小 。最开始先初始化，这里面选了最简单的 3，2，1 作为各类的初始值 。剩下的数据里，每个都与三个初始值计算距离，然后归类到离它最近的初始值所在类别。

![图解十大经典的机器学习算法][43530000080920d7643e]

图8-1 问题案例

分好类后，计算每一类的平均值，作为新一轮的中心点：

![图解十大经典的机器学习算法][435200008ec651b49844]

图8-2

几轮之后，分组不再变化了，就可以停止了：

![图解十大经典的机器学习算法][434e0002300572baeba6]

![图解十大经典的机器学习算法][434e00023018f6a2f245]

图8-3 算法结果展示

# Adaboost #

Adaboost 是 Boosting 的方法之一。Boosting就是把若干个分类效果并不好的分类器综合起来考虑，会得到一个效果比较好的分类器。

下图，左右两个决策树，单个看是效果不怎么好的，但是把同样的数据投入进去，把两个结果加起来考虑，就会增加可信度。

![图解十大经典的机器学习算法][435100020a32bbefadfd]

图9-1 算法原理展示

Adaboost 的例子，手写识别中，在画板上可以抓取到很多features（特征），例如始点的方向，始点和终点的距离等等。

![图解十大经典的机器学习算法][434d00022e7cc9792c98]

图9-2

training的时候，会得到每个feature的weight（权重），例如2和3的开头部分很像，这个feature对分类起到的作用很小，它的权重也就会较小。

![图解十大经典的机器学习算法][435000021041994467f7]

图9-3

而这个alpha角就具有很强的识别性，这个feature的权重就会较大，最后的预测结果是综合考虑这些feature的结果。

![图解十大经典的机器学习算法][434e000231a8b19cc6a0]

图9-4

# 神经网络 #

Neural Networks适合一个input可能落入至少两个类别里：NN由若干层[神经元][Link 3]，和它们之间的联系组成。 第一层是input层，最后一层是output层。在hidden层和output层都有自己的classifier。

![图解十大经典的机器学习算法][435100020b63904aa0f0]

图10-1 神经网络结构

input输入到网络中，被激活，计算的分数被传递到下一层，激活后面的神经层，最后output层的节点上的分数代表属于各类的分数，下图例子得到分类结果为class 1；同样的input被传输到不同的节点上，之所以会得到不同的结果是因为各自节点有不同的weights 和bias，这也就是forward propagation。

![图解十大经典的机器学习算法][434d00022fbafcfbfa77]

图10-2 算法结果展示

# 马尔科夫 #

Markov Chains由state（状态）和transitions（转移）组成。例子，根据这一句话 ‘the quick brown fox jumps over the lazy dog’，要得到markov chains。

步骤，先给每一个单词设定成一个状态，然后计算状态间转换的概率。

![图解十大经典的机器学习算法][435200009180de2aa4a9]

图11-1 马尔科夫原理图

这是一句话计算出来的概率，当你用大量文本去做统计的时候，会得到更大的状态转移矩阵，例如the后面可以连接的单词，及相应的概率。

![图解十大经典的机器学习算法][435300000b3f99003259]

图11-2 算法结果展示

上述十大类机器学习算法是人工智能发展的践行者，即使在当下，依然在数据挖掘以及小样本的人工智能问题中被广泛使用。

[43500001eb4471788557]: https://p3.pstatp.com/large/43500001eb4471788557
[Link 1]: https://www.baidu.com/s?wd=%E6%B7%B1%E8%93%9D%E5%AD%A6%E9%99%A2&tn=24004469_oem_dg&rsv_dl=gh_pl_sl_csd
[Link 2]: https://www.baidu.com/s?wd=%E4%B8%AD%E7%A7%91%E9%99%A2%E8%87%AA%E5%8A%A8%E5%8C%96%E6%89%80&tn=24004469_oem_dg&rsv_dl=gh_pl_sl_csd
[435200006b668ea633bd]: https://p3.pstatp.com/large/435200006b668ea633bd
[434f0001f5ed801daccf]: https://p1.pstatp.com/large/434f0001f5ed801daccf
[435200006bcfcb4c5948]: https://p1.pstatp.com/large/435200006bcfcb4c5948
[434f0001f6466bf0d67d]: https://p1.pstatp.com/large/434f0001f6466bf0d67d
[434e00020cea24ad72ac]: https://p3.pstatp.com/large/434e00020cea24ad72ac
[4352000088a0cca901dc]: https://p1.pstatp.com/large/4352000088a0cca901dc
[43500002088dadd37cd2]: https://p9.pstatp.com/large/43500002088dadd37cd2
[43520000890f09d83fe9]: https://p1.pstatp.com/large/43520000890f09d83fe9
[4351000204be99bba336]: https://p9.pstatp.com/large/4351000204be99bba336
[4353000003f6ba0e0f8d]: https://p3.pstatp.com/large/4353000003f6ba0e0f8d
[435100020586720b85a6]: https://p1.pstatp.com/large/435100020586720b85a6
[435000020b04838dcf31]: https://p3.pstatp.com/large/435000020b04838dcf31
[435000020b4ac6b506a0]: https://p1.pstatp.com/large/435000020b4ac6b506a0
[435200008bc2bf7f5517]: https://p3.pstatp.com/large/435200008bc2bf7f5517
[43530000059e39d73a18]: https://p3.pstatp.com/large/43530000059e39d73a18
[4353000005c7816fdd59]: https://p1.pstatp.com/large/4353000005c7816fdd59
[43510002070c383b6105]: https://p9.pstatp.com/large/43510002070c383b6105
[43530000063edd668c55]: https://p3.pstatp.com/large/43530000063edd668c55
[435200008cd4629a6bc4]: https://p9.pstatp.com/large/435200008cd4629a6bc4
[434e00022df729f719f3]: https://p1.pstatp.com/large/434e00022df729f719f3
[434d00022ba607261510]: https://p3.pstatp.com/large/434d00022ba607261510
[43510002080ef9b94c91]: https://p3.pstatp.com/large/43510002080ef9b94c91
[434e00022edc52fa300b]: https://p3.pstatp.com/large/434e00022edc52fa300b
[4351000208a4639fb593]: https://p3.pstatp.com/large/4351000208a4639fb593
[43530000080920d7643e]: https://p3.pstatp.com/large/43530000080920d7643e
[435200008ec651b49844]: https://p3.pstatp.com/large/435200008ec651b49844
[434e0002300572baeba6]: https://p3.pstatp.com/large/434e0002300572baeba6
[434e00023018f6a2f245]: https://p1.pstatp.com/large/434e00023018f6a2f245
[435100020a32bbefadfd]: https://p1.pstatp.com/large/435100020a32bbefadfd
[434d00022e7cc9792c98]: https://p3.pstatp.com/large/434d00022e7cc9792c98
[435000021041994467f7]: https://p1.pstatp.com/large/435000021041994467f7
[434e000231a8b19cc6a0]: https://p1.pstatp.com/large/434e000231a8b19cc6a0
[Link 3]: https://www.baidu.com/s?wd=%E7%A5%9E%E7%BB%8F%E5%85%83&tn=24004469_oem_dg&rsv_dl=gh_pl_sl_csd
[435100020b63904aa0f0]: https://p3.pstatp.com/large/435100020b63904aa0f0
[434d00022fbafcfbfa77]: https://p3.pstatp.com/large/434d00022fbafcfbfa77
[435200009180de2aa4a9]: https://p3.pstatp.com/large/435200009180de2aa4a9
[435300000b3f99003259]: https://p3.pstatp.com/large/435300000b3f99003259