机器学习基本介绍

一、什么是机器学习

        机器学习（Machine Learning）：人工智能的一个子学科，研究人工智能领域的基本算法、原理、思想方法，机器学习研究的内容在其它子学科都会用到

        卡耐基梅隆大学机器学习和人工智能教授汤姆.米切尔（Tom Mitchell）在他的经典教材《机器学习》中，给出了更为具体的定义：对于某类任务（Task，简称T）和某项性能评价准则（Performance，简称P），如果一个计算机在程序T上，以P作为性能度量，随着经验（Experience，简称E）的积累，不断自我完善，那么我们称计算机程序从经验E中进行了学习。

例如，射击运动员的训练过程：射击标靶（任务T），以准确率为性能度量（P），随着不断练习（经验E），准确率不断提高，这个过程称为学习。

二、机器学习的形式

        1、建模

                所谓机器学习，在形式上可近似等同于在数据对象中通过统计、推理的方法，来寻找一个接受特定输入X，并给出预期输出Y功能函数f，即 Y = f(x) 这个函数以及确定函数的参数被称为模型

        2、评估

                针对已知的输入，函数给出的输出（预测值）与实际输出（目标值）之间存在一定误差，因此需要构建一个评估体系，根据误差大小判定函数的优劣

        3、优化

                学习的核心在与改善性能，通过数据对算法的反复锤炼，不断提升函数预测的准确性，直至获得能够满足实际需求的最优解，这个过程就是机器学习

三、机器学习的分类

        1、有监督学习

                在已知数据输出（经过标注的）的情况下对模型进行训练，根据输出进行调整、优化的学习方式称为有监督学习

         2、无监督学习

                没有已知输出的情况下，仅仅根据输入信息的相关性，进行类别的划分

 

         3、半监督学习

                先通过无监督学习划分类别，再人工标记通过有监督学习方式来预测输出.例如先对相似的水果进行聚类，再识别是哪个类别

        4、强化学习

                 通过对不同决策结果的奖励、惩罚，使机器学习系统在经过足够长时间的训练以后，越来越倾向于接近期望结果的输出

        5、批量学习

                将学习过程和应用过程分开，用全部训练数据训练模型，然后再在应用场景中进行预测，当预测结果不够理想时，重新回到学习过程，如此循环

        6、增量学习

                将学习过程和应用过程统一起来，在应用的同时，以增量的方式不断学习新的内容，边训练、边预测

        7、基于模型学习

                根据样本数据，建立用于联系输出和输出的某种数学模型，将待预测输入带入该模型，预测其结果

        8、基于实例学习

                根据以往经验，寻找与待预测输入最接近的样本，以其输出作为预测结果（从数据中心找答案）

四、机器学习的过程

1. 数据收集，手段如手工采集、设备自动化采集、爬虫等
2. 数据清洗：数据规范、具有较大误差的、没有意义的数据进行清理
3. 选择模型（算法）
4. 训练模型
5. 模型评估
6. 测试模型
7. 应用模型
8. 模型维护

五、机器学习的基本问题

1) 回归问题

根据已知的输入和输出，寻找某种性能最佳的模型，将未知输出的输入代入模型，得到连续的输出.例如：

• 根据房屋面积、地段、修建年代以及其它条件预测房屋价格

• 根据各种外部条件预测某支股票的价格

• 根据农业、气象等数据预测粮食收成

• 计算两个人脸的相似度

2) 分类问题

根据已知的输入和输出，寻找性能最佳的模型，将未知输出的输入带入模型，得到离散的输出，例如：

• 手写体识别（10个类别分类问题）

• 水果、鲜花、动物识别

• 工业产品瑕疵检测（良品、次品二分类问题）

• 识别一个句子表达的情绪（正面、负面、中性）

3) 聚类问题

根据已知输入的相似程度，将其划分为不同的群落，例如：

• 根据一批麦粒的数据，判断哪些属于同一个品种

• 根据客户在电商网站的浏览和购买历史，判断哪些客户对某件商品感兴趣

• 判断哪些客户具有更高的相似度

4) 降维问题

在性能损失尽可能小的情况下，降低数据的复杂度，数据规模缩小都称为降维问题.

原创不易，转载请标明出处！