<small id='ms7t'></small> <noframes id='lctBVzTF'>

  • <tfoot id='AK13wgF6J'></tfoot>

      <legend id='Hym0'><style id='0NW4Q'><dir id='C7e1a'><q id='QrYhJ9a5T'></q></dir></style></legend>
      <i id='9AZozl3'><tr id='jtTlvSN'><dt id='r7wj0GxM'><q id='cUpFL'><span id='sRAl'><b id='tYjKgp0Je'><form id='NOkZHW3V'><ins id='GTVbP86CX'></ins><ul id='jEKOtiaWbr'></ul><sub id='kPu3x'></sub></form><legend id='VcBz'></legend><bdo id='d0k9'><pre id='pwLrcCbm'><center id='pzPXTKhgc'></center></pre></bdo></b><th id='XtWrdnCAP3'></th></span></q></dt></tr></i><div id='TgOKbL9'><tfoot id='Va0ne6Tph'></tfoot><dl id='LFkSqK5v'><fieldset id='5RbDAl'></fieldset></dl></div>

          <bdo id='fpxY8uXUoO'></bdo><ul id='gmAsjMH'></ul>

          1. <li id='Xs598Yilrk'></li>
            登陆

            机器学习的成才之路,先看完这10大算法再开端吧(附赠自学教程)

            admin 2019-05-10 200人围观 ,发现0个评论

            本文是小编在网上看到的,觉得不错,转载给咱们!

            1. 线性回归

            线性回归可能是核算学和机器学习中最闻名和最易了解的算法之一。

            猜测建模首要重视最小化模型差错或许尽可能作出最精确的猜测,以可解释性为价值。咱们将借用、重用包含核算学在内的许多机器学习的成才之路,先看完这10大算法再开端吧(附赠自学教程)不同范畴的算法,并将其用于这些意图。

            线性回归的表明是一个方程,它经过找到输入变量的特定权重(称为系数 B),来描绘一条最适合表明输入变量 x 与输出变量 y 联系的直线。

            线性回归

            例如:y = B0 + B1 * x

            咱们将依据输入 x 猜测 y,线性回归学习算法的方针是找到系数 B0 和 B1 的值。

            能够运用不同的技能从数据中学习线性回归模型,例如用于一般最小二乘法和梯度下降优化的线性代数解。

            线性回归现已存在了 200 多年,并得到了广泛研讨。运用这种技能的一些经历是尽可能去除十分类似(相关)的变量,并去除噪音。这是一种快速、简略的技能,能够首要测验一下。

            2. Logistic 回归

            Logistic 回归是机器学习从核算学中学习的另一种技能。它是处理二分类问题的首选办法。

            Logistic 回归与大逃杀线性回归类似,方针都是找到每个输入变量的权重,即系数值。与线性回归不同的是,Logistic 回归对输出的猜测运用被称为 logistic 函数的非线性函数进行改换。

            logistic 函数看起来像一个大的 S,而且能够将任何值转换到 0 到 1 的区间内。这十分有用,由于咱们能够规则 logistic 函数的输出值是 0 和 1(例如,输入小于 0.5 则输出为 1)并猜测类别值。

            Logistic 回归

            由于模型的学习办法,Logistic 回归的猜测也能够作为给定数据实例(归于类别 0 或 1)的概率。这关于需求为猜测供给更多依据的问题很有用。

            像线性回归相同,Logistic 回归在删去与输出变量无关的特点以及十分类似(相关)的特点时作用更好。它是一个快速的学习模型,而且关于二分类问题十分有用。

            3. 线性判别分析(LDA)

            Logistic 回归是一种分类算法,传统上,它仅限于只要两类的分类问题。假如你有两个以上的类别,那么线性判别分析是首选的线性分类技能。

            LDA 的表明十分简略直接。它由数据的核算特点构成,对每个类别进行核算。单个输入变量的 LDA 包含:

            每个类别的均匀值;

            一切类别的方差。

            线性判别分析

            进行猜测的办法是核算每个类别的判别值并对具有最大值的类别进行猜测。该技能假定数据呈高斯分布(钟形曲线),因而最好预先从数据中删去异常值。这是处理分类猜测建模问题的一种简略而强壮的办法。

            4. 分类与回归树

            决策树是猜测建模机器学习的一种重要算法。

            决策树模型的表明是一个二叉树。这是算法和数据结构中的二叉树,没什么特别的。每个节点代表一个独自的输入变量 x 和该变量上的一个切割点(假定变量是数字)。

            决策树

            决策树的叶节点包含一个用于猜测的输出变量 y。经过遍历该树的切割点,直到抵达一个叶节点并输出该节点的类别值就能够作出猜测。

            决策树学习速度和猜测速度都很快。它们还能够处理许多问题,而且不需求对数据做特别预备。

            5. 朴素贝叶斯

            朴素贝叶斯是一个简略可是很强壮的猜测建模算法。

            该模型由两种概率组成,这两种概率都能够直接从练习数据中核算出来:1)每个类别的概率;2)给定每个 x 的值,每个类别的条件概率。一旦核算出来,概率模型可用于运用贝叶斯定理对新数据进行猜测。当你的数据是实值时,一般假定一个高斯分布(钟形曲线),这样你能够简略的估量这些概率。

            贝叶斯定理

            朴素贝叶斯之所以是朴素的,是由于它假定每个输入变量是独立的。这是一个强壮的假定,实在的数据并非如此,可是,该技能在许多复杂问题上十分有用。

            6. K 近邻算法

            KNN 算法十分简略且有用。KNN 的模型表明是整个练习数据集。是不是很简略?

            KNN 算法在整个练习会集查找 K 个最类似实例(近邻)并汇总这 K 个实例的输出变量,以猜测新数据点。关于回归问题,这可能是均匀输出变量,关于分类问题,这可能是众数(或最常见的)类别值。

            窍门在于怎么确认数据实例间的类似性。假如特点的衡量单位相同(例如都是用英寸表明),那么最简略的技能是运用欧几里得距离,你能够依据每个输入变量之间的差值直接核算出来其数值。

            K 近邻算法

            KNN 需求许多内存或空间来存储一切数据,可是只要在需求猜测时才履行核算(或学习)。你还能够随时更新和办理练习实例,以坚持猜测的精确性。

            距离或紧密性的概念可能在十分高的维度(许多输入变量)中会分裂,这对算法在你的问题上的功能发生负面影响。这被称为维数灾祸。因而你最好只运用那些与猜测输出变量最相关的输入变量。

            7. 学习向量量化

            K 近邻算法的一个缺陷是你需求遍历整个练习数据集。学习向量量化算法(简称 LVQ)是一种人工神经网络算法,它答应你挑选练习实例的数量,并精确地学习这些实例应该是什么样的。

            学习向量量化

            LVQ 的表明是码本向量的调集。这些是在开始时随机挑选的,并逐步调整以在学习算法的屡次迭代中最好地总结练习数据集。在学习之后,码本向量可用于猜测(类似 K 近邻算法)。最类似的近邻(最佳匹配的码本向量)经过核算每个码本向量和新数据实例之间的距离找到。然后回来最佳匹配单元的类别值或(回归中的实践值)作为猜测。假如你从头调整数据,使其具有相同的规模(比方 0 到 1 之间),就能够取得最佳成果。

            假如你发现 KNN 在你的数据集上到达很好的成果,请测验用 LVQ 削减存储整个练习数据集的内存要求。

            8. 支撑向量机(SVM)

            支撑向量机可能是最受欢迎和最广泛评论的机器学习算法之一。

            超平面是切割输入变量空间的一条线。在 SVM 中,挑选一条能够最好地依据输入变量类别(类别 0 或类别 1)对输入变量空间进行切割的超平面。在二维中,你能够将其视为一条线,咱们假定一切的输入点都能够被这条线彻底的分隔。SVM 学习算法找到了能够让超平面临类别进行最佳切割的系数。

            支撑向量机

            超平面和最近的数据点之间的距离被称为距离。分隔两个类别的最好的或最理想的超平面具有最大距离。只要这些点与界说超平面和构建分类器有关。这些点被称为支撑向量,它们支撑或界说了超平面。实践上,优化算法用于寻觅最大化距离的系数的值。

            SVM 可能是最强壮的当即可用的分类器之一,值得一试。

            9. Bagging 和随机森林

            随机森林是最盛行和最强壮的机器学习算法之一。它是 Bootstrap Aggregatio机器学习的成才之路,先看完这10大算法再开端吧(附赠自学教程)n(又称 bagging)集成机器学习算法的一种。

            bootstrap 是从数据样本中预算数量的一种强壮的核算办法。例如均匀数。你从数据中抽取许多样本,核算均匀值,然后均匀一切的均匀值以便更好的估量实在的均匀值。

            bagging 运用相同的办法,可是它估量整个核算模型,最常见的是决策树。在练习数据中抽取多个样本,然后对每个数据样本建模。当你需求对新数据进行猜测时,每个模型都进行猜测,并将一切的猜测值均匀以便更好的估量实在的输出值。

            随机森林

            随机森林是对这种办法的一种调整,在随机森林的办法中决策树被创立以便于经过引进随机性来进行次优切割,而不是挑选最佳切割点。

            因而,针对每个数据样本创立的模型将会与其他办法得到的有所不同,不过尽管办法共同且不同,它们仍然是精确的。结合它们的猜测能够更好的估量实在的输出值。

            假如你用方差较高的算法(如决策树)得到了很好的成果,那么一般能够经过 bagging 该算法来取得更好的成果。

            10. Boosting 和 AdaBoost

            Boosting 是一种集成技能,它企图集成一些弱分类器来创立一个强分类器。这经过从练习数据中构建一个模型,然后创立第二个模型来测验机器学习的成才之路,先看完这10大算法再开端吧(附赠自学教程)纠正第一个模型的过错来完结。一向增加模型直到能够完美猜测练习集,或增加的模型数量现已到达最大数量。

            AdaBoost 是第一个为二分类开发的真实成功的 boosting 算法。这是了解 boosting 的最佳起点。现代 boosting 办法树立在 AdaBoost 之上,最明显的是随机梯度提高。

            AdaBoost

            AdaBoost 与短决策树一同运用。在第一个决策树创立之后,使用每个练习实例上树的功能来衡量下一个决策树应该对每个练习实例支付多少注意力。难以猜测的练习数据被分配更多权重,而简单猜测的数据分配的权重较少。顺次创立模型,每个模型在练习实例上更新权重,影响序列中下一个决策树的学习。在一切决策树树立之后,对新数据进行猜测,而且经过每个决策树在练习数据上的精确度评价其功能。

            由于在纠正算法过错上投入了太多注意力,所以具有已删去异常值的洁净数据十分重要。

            总结

            初学者在面临各种机器学习算法时常常问:「我应该用哪个算法?」这个问题的答案取决于许多要素,包含:(1)数据的巨细、质量和特性;(2)可用的核算时刻;(3)使命的紧迫性;(4)你想用这些数据做什么。

            即使是经历丰富的数据科学家在测验不同的算法之前,也无法分辩哪种算法会体现最好。尽管还有许多其他的机器学习算法,但本篇文章中评论的是最受欢迎的算法。假如你是机器学习的新手,这将是一个很好的学习起点。

            最终,柠檬为咱们预备了一些机器学习视频教程,期望能够协助到咱们!

            收取办法:转发文章+私信小编“材料”即可收取全套的机器学习教程材料!

            请关注微信公众号
            微信二维码
            不容错过
            Powered By Z-BlogPHP