吐血整理：机器学习的30个基本概念，都在这里了（手绘图解）

Myth丶恋晨 2023-02-14 10:06 40阅读 0赞

![format_png][]

**导读：**本文主要介绍机器学习基础知识，包括名词解释（约30个）、基础模型的算法原理及具体的建模过程。

作者：梅子行、毛鑫宇

来源：大数据DT（ID：hzdashuju）

![format_png 1][]

**01 空间表征**

在学习深奥的机器学习理论之前，首先来介绍一些机器学习中最基本的概念。

*  **特征**（Feature）：一个具体事物的属性描述，由属性向量表示。第j个记录xj的属性向量可以表示为：
    
    xj=(xj(1)，xj(2)，…，xj(i)，…，xj(n))， j=1，2，…，N， xj∈X  
    
    
    其中每个xj(i)为一个特征维度上的取值。
 *  **标记**（Label）：又称样本标签，用于描述事物某个特性的事项。
 *  **标记值：**标记的取值。在二分类问题中，取值通常为0和1。
 *  **标记空间**（输出空间）：所有标记的集合，记为Y。
 *  **样例**（Sample）：又称样本。拥有了对应标记的记录，由（记录，标记）对表示。例如，第j个样例可以表示为：
    
    (xj，yj)， j=1，2，…，N， xj∈X，yj∈Y

假设空间F通常是由一个参数向量决定的函数族：

F=\{f|Y=fw(X)，w∈Rn\}

其中，参数向量w取值于n维向量空间Rn，称为**参数空间**。假设空间F也可定义为条件概率的集合（概率模型）：

F=\{P|P(Y|X)\}

其中，X是定义在输入空间X上的随机变量，Y是定义在输出空间Y上的随机变量。

上述公式理解起来可能较为抽象，接下来我们通过一个实际的例子来理解相关概念。

首先，在建立模型前，一定会有一个由多个样例组成的样本集，比如：

（用户A，\{年龄：29，身高：185，年收入：70，婚姻状况：未婚，状态：逾期\}）

（用户B，\{年龄：24，身高：167，年收入：31，婚姻状况：已婚，状态：未逾期\}）

（用户C，\{年龄：46，身高：177，年收入：50，婚姻状况：离异，状态：未逾期\}）

…

其中每一个用户及其属性对称为一个**样本**（或观测）。这样的一系列用户及其自身的属性构成了**样本集**，其中用户“A”“B”“C”构成了**样本空间**，“特征年龄”“身高”“年收入”“婚姻状况”构成了**特征空间**。

此外还有一个空间叫作**参数空间**，即由组成预测函数的参数的所有取值所组成的空间。“状态”这个字段则代表着样本的**标签**，也就是需要模型来判别的结果。

这个例子中特征空间有4个取值：年龄、身高、年收入、婚姻状况。这4个取值就代表着特征空间中的4个维度，或者说这个特征空间的维度是4。在良好的假设条件下，模型期望每个特征之间互不干扰，然而在实际情况下，通常每个特征之间都有可能存在关系。

比如我们可以将其中两个维度（年龄和身高）画出来。当处于低龄时（即0～8岁），我们可以明显地观察到身高的取值随着年龄增长也在不断地变大，如图3-1所示。

![format_png 2][]

▲图3-1 变量相关性示例

婚姻状况这个特征可能取值为\{未婚、已婚、离异\}，那么这3个取值就限制住了特征空间在婚姻状况这个维度上的取值。

如果数据中只有\{未婚、离异\}这2种取值的样本，则称这个数据集不能完整**表征**它所在的样本空间，即在它的某一特征维度上，有一些值没有被观测到，不能很好地观察到这个维度特征的真实分布。

通过已观察的样本点，只能表征出阴影部分的空间，如图3-2所示。

![format_png 3][]

▲图3-2 空间表征示例

**02 模型学习**

模型的**训练**（又叫**学习**或者**拟合**），是指通过将数据传入模型，从而使模型学习到数据的潜在规律（如数据的分布）的过程。而建立模型的本质，可以理解为从数据分布中抽象出一个**决策函数**。

**决策函数**（非概率模型）的定义为从输入空间X到输出空间Y的映射f:X→Y。

假设空间F定义为决策函数的集合，其形式如下：

F=\{f|Y=f(X)\}

其中，X是定义在输入空间X上的变量，X∈X；Y是定义在输出空间Y上的变量。

当想要预测的是离散值时，比如一个人是男或是女，或者一个用户还钱与否，这样的任务称为**分类**（Classification）。与之相对应的，如果想预测一个人的年龄是多少岁，或者一个用户具体会在未来的哪一天还款，这样的任务称为**回归**（Regression）。

当一个任务只有两个取值时称之为**二分类任务**。评分卡模型就是一种典型的二分类任务，即预测一个用户是否会产生逾期。而当任务涉及多个类别的时候，称之为**多分类任务**。

一个典型的例子是在做欺诈检测时预测一个用户是否进行欺诈，这看似是一个二分类任务（预测是否欺诈），但其实用户的欺诈手段各不相同，每一个欺诈方法都是一个单独的类别，因此它本质上是一个多分类任务。

从数据是否带有标签的角度来看，又可以将模型划分成三大类：**监督学习**（Supervised Learning，SL）、**半监督学习**（Semi-Supervised Learning，SSL）和**无监督学习**（Unsupervised Learning，UL）。

*  **监督学习**是指在一个申请评分卡建模中，已经明确知道样本集中每个用户的标签，即随便取一个人出来，都可以知道他的逾期状态。
 *  **无监督学习**是指在建模时，完全没有当前样本集的任何标签信息，即完全不知道哪些人是逾期的。
 *  而**半监督学习**介于两者之间，对于当前的样本集，知道其中一部分样本的标签，另一部分则不知道其是否已逾期。

通常情况下，模型的效果排序如下：

监督学习>半监督学习>无监督学习

在绝大多数情况下，应该尽可能利用标签信息，这样得到的模型效果会更好。但是很多时候，是否能拥有标签并不是由个体决定的。例如，很多平台是没有欺诈用户的标签的，此时训练一个监督模型就很困难，而半监督及无监督学习可以起到一定的作用。

**03 模型评价**

对于模型学习的结果，主要关心两件事：**欠拟合**(underfit)和**过拟合**(overfit)。

**欠拟合**是指模型拟合程度不高，数据距离拟合曲线较远，或指模型没有很好地捕捉到数据特征，不能很好地拟合数据。换言之，模型在学习的过程中没有很好地掌握它该掌握的知识，模型学习的偏差较大。

**过拟合**是指为了得到一致假设而使假设变得过度严格，即模型学习得太过详细，把一些个例的特点作为共性，使得模型的泛化能力较低。

图3-3很好地解释了过拟合与欠拟合的含义，a图表示欠拟合，b图表示一个良好的拟合，c图则表示过拟合。通俗理解，过拟合就是模型学得过于细致，欠拟合就是学得过于粗糙。

![format_png 4][]

▲图3-3 拟合优度

模型结构越复杂，通常越倾向于过拟合。而样本量越大，数据分布得到越充分的曝光，模型越不容易过拟合。为了更好地表示过拟合和欠拟合，通常建模的时候会将样本集划分为**训练集**（Train）和**测试集**（Test）。

训练集就是用来带入模型训练的集合，而测试集主要是待模型训练好之后，对模型做测试，以检验模型的效果。一般认为，训练集上表现好但在测试集上表现不好的模型，有过拟合的风险；而模型在训练集上效果明显差于测试集，则有欠拟合的风险。

在训练一个模型的时候，我们不只希望模型在训练集上的表现足够好，还希望模型在其他数据集上的表现也很好。训练集上的表现与测试集上的表现的差值称为**泛化误差**，而泛化误差由3部分组成：**偏差**（bias）、**方差**（variance）、**噪声**（noise）。

**偏差**度量了模型的期望预测与真实结果的偏离程度，也就是模型本身的拟合能力。

**方差**度量了同样大小的训练集的变动所导致的学习能力的变化，也就是数据扰动所造成的影响。

而**噪声**则刻画了问题本身的拟合难度。

图3-4所示为训练程度与误差的关系。

![format_png 5][]

▲图3-4 训练程度与误差

通常离线模型训练完成后，在最终模型上线前，会将测试集和训练集整合，重新对模型的系数做拟合，进而得到最终的模型。这是因为人为数据集越大，对样本空间的表征可能越充分。某些曝光不充分的特征值所对应的标签分布，在数据量增加时，可能有更高的曝光率。比如之前例子中的数据集如下所示：

（用户A，\{年龄：29，身高：185，年收入：70，婚姻状况：未婚，状态：逾期\}）

（用户B，\{年龄：24，身高：167，年收入：31，婚姻状况：已婚，状态：未逾期\}）

（用户C，\{年龄：46，身高：177，年收入：50，婚姻状况：离异，状态：未逾期\}）

…

如果训练集中婚姻状况有一个值没有取到，只存在于测试集中，那么将测试集和训练集合并得到最终模型时，对未来的用户进行预测时偏差就会更小。

然而部分模型，如**极端梯度提升机**（eXtreme Gradient Boosting，XGBoost）需要利用测试样本集实现训练过程的提前停止，因此需要额外选择部分样本不参与训练，比如从原始训练集中选择少部分样本作为提前停止的依据。

**关于作者：梅子行**，资深风控技术专家、AI技术专家和算法专家，历任多家知名金融科技公司的算法研究员、数据挖掘工程师。师承Experian、Discover等企业的资深风控专家，擅长深度学习、复杂网络、迁移学习、异常检测等非传统机器学习方法，热衷于数据挖掘以及算法的跨领域优化实践。

**毛鑫宇**，资深品牌视觉设计师、插画设计师。曾任职国内知名文旅公司品牌设计师，设计打造知名文化旅游目的地及品牌设计案例。

本文摘编自《智能风控：Python金融风险管理与评分卡建模》，经出版方授权发布。

延伸阅读《智能风控》

点击上图了解及购买

转载请联系微信：DoctorData

**推荐语：**本书基于Python讲解了信用风险管理和评分卡建模，用漫画的风格，从风险业务、统计分析方法、机器学习模型3个维度展开，详细讲解了信用风险量化相关的数据分析与建模手段，并提供大量的应用实例。作者在多家知名金融公司从事算法研究多年，经验丰富，本书得到了学术界和企业界多位金融风险管理专家的高度评价。

![音符][format_png 6]

**划重点????**

**干货直达????**

*  [离婚冷静期能拯救婚姻吗？37秒视频看2001-2019各地离婚排行][37_2001-2019]  
    
 *  [什么是脏数据？怎样用箱形图分析异常值？终于有人讲明白了][Link 1]  
    
 *  [月薪15k起，想进入这个行业有哪些书值得读？][15k]  
    
 *  [手把手教你用Python给小姐姐美个颜][Python]

**更多精彩????**

在公众号对话框输入以下**关键词**

查看更多优质内容！

**PPT** | **读书** | **书单** | **硬核** | **干货**** **

**大数据** | **揭秘** | **Python** | **可视化**

**AI** | **人工智能** | **5G** | **中台**

**机器学习** | **深度学习** | **神经网络**

**合伙人**** **| **1024** | **大神** | **数学**

据统计，99%的大咖都完成了这个神操作

**????**

![format_png 7][]

![format_png 8][]

[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2dpZi9LZkxHRjBpYnU2Y0o2NlZTVXpiRDJwVGUxZ3ZDZ3dIUGNwa2VXWHNUV21GMlpJcEJ3OGVZVW1NSmlicDh6MmZpY2liSnVROHdoMkM0OVhmbWFoRHl3MEthbHcvNjQw?x-oss-process=image/format,png
[format_png 1]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9MU09qeWliNWdpYVZmWHJJSmdGcXRTa3V2QlZBaWFtNnRqWDlvaWNGRHFLazdQR1Z3cjBNdkZ3c09pYVV6MnU1U2liUTQ5eHNybThpYU9VM2NkcmljaE5xblVRYXVBLzY0MA?x-oss-process=image/format,png
[format_png 2]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9MU09qeWliNWdpYVZmWHJJSmdGcXRTa3V2QlZBaWFtNnRqWFZvaWJ4T20xSXVuaWI2dVN2NGdwc2VvS2ZGRTJNU0N6eHpxZjd1RnBvTUY3MVVCTjNtWWNuNUxBLzY0MA?x-oss-process=image/format,png
[format_png 3]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9MU09qeWliNWdpYVZmWHJJSmdGcXRTa3V2QlZBaWFtNnRqWFZ6Mzdid1hGQjlpYUY4cVhFeVBJckNPVndwckVSNkdyaWE4SU40NG5ZaFY5bGwwM3FOaWJJcUJVQS82NDA?x-oss-process=image/format,png
[format_png 4]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9MU09qeWliNWdpYVZmWHJJSmdGcXRTa3V2QlZBaWFtNnRqWEd2amlhMnRWd1V0bngza1NPSVV3ZmxLZ0dJYzJMVWVIR2gyYnhuOVRESTJKZFdUU1drWTVkaWNnLzY0MA?x-oss-process=image/format,png
[format_png 5]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9MU09qeWliNWdpYVZmWHJJSmdGcXRTa3V2QlZBaWFtNnRqWHRNbjMwU3V2MmhpY1RoTnl4RkxsVXZKbllIaGJUWk9kWUNiQ3NCMEp5VzRxY2RUa1JuQndBM3cvNjQw?x-oss-process=image/format,png
[format_png 6]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6L2NaVjJoUnB1QVBpYUpRWFdHeUM5d3JVeklpY2liZ1hheXJnaWJUWWFyVDNBMXl6dHRidGFPMEpsVjIxd01xcm9HWVQzUXRQcTJDN0hNWXN2aWNTQjJwN2RUQmcvNjQw?x-oss-process=image/format,png
[37_2001-2019]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8c9d3adbfb142c470ca69df529e660e236250478ab8dc85822d06b6576677387c9c539d86b&idx=2&mid=2247505110&scene=21&sn=211d4f32f7fda950a0232a3fc2dfaee6#wechat_redirect
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8c9d6edbfb1478cbfc65398c113f59d6770584e3e8ca9db4148601d47c05fca34190105090&idx=2&mid=2247505026&scene=21&sn=1f8c168fb8f5919546e46d245f8a8996#wechat_redirect
[15k]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8c9abcdbfb13aa50d48f4c1a9a268e907c141676e8f60d4a883abec8fb5670c419cb8aaedf&idx=2&mid=2247504720&scene=21&sn=35a877c76af4f0d7e252a91e579eb84a#wechat_redirect
[Python]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8c9b10dbfb1206cb58b113281f8da72a31ce45f51f7f18f4e3ec2fac0358de2b71eaf27c3b&idx=2&mid=2247504636&scene=21&sn=3d46bec19a8a65ca0f189da894c71498#wechat_redirect
[format_png 7]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9MU09qeWliNWdpYVZjZHlydzQ3ZVI2aDFFaWJyYkhvaWJZSWJtdmYwdk1tYmp6b0FjRXE3bXp4NWZFM3RNYm5Pb2xLSVFuZmZjaWE5elp1aWNhWnNsYzE1S2pTUS82NDA?x-oss-process=image/format,png
[format_png 8]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9MU09qeWliNWdpYVZkR2JGdk8wSXRRRDFkM29GaWNPc0hMNFZ6WDFqOHpHTExTaWEzWm9EcHBhRldBRUFZM2VPamlhSkZSZnpaR3BCNXEzendLRlNVb2JMekhnLzY0MA?x-oss-process=image/format,png