Machine Learning小結

一不小心也發了十幾篇推送了，朋友一直說我發的啥？看不懂……

其實我在總結簡單機器學習的演算法，沒有很高深，只要有高中的數學基礎就能讀懂這些。如果有小夥伴會看我寫的推文，現在應該已經大概了解簡單機器學習演算法是什麼了。

這裡的「大概」，是指如果你沒見過雞，你可能不知道雞是長這樣的：

但是通過看推文，你已經知道雞長這樣了：

機器學習的主要目的是預測，預測一個結局變數，這個變數可能是分類變數，也可能是個連續型的數值變數。在分類問題中，根據訓練集是否人為注釋標籤（lable）可以將機器學習分為監督式學習（Supervised）和非監督式學習（Unsupervised）。說白話就是你需不需要提前告訴模型，哪些個體是好的，哪些個體是不好的，如果是，這個模型就屬於監督式學習了。

最常用的簡單機器學習演算法大概有如下十種：

1、kNN演算法

2、k均值聚類

3、貝葉斯演算法

4、決策樹

5、隨機森林

這個沒有說過，但其實它的原理很好理解，就是建立很多決策樹，然後進行投票選舉，根據少數服從多數的原則，採納多數決策樹的預測。

6、關聯規則

7、線性回歸

8、邏輯回歸

這兩個也沒有說過，是因為我覺得這兩個是統計學的內容，線性回歸通常解決數值變數的預測，logistic回歸是廣義線性模型（glm）的一種，解決分類預測。

9、支持變數機

10、人工神經網路

這兩個演算法也叫黑箱演算法，因為它們太複雜了，你完全解釋不了一個模型是怎樣工作的，所以只關注結果就好了。

大概的工作原理：支持向量機是根據特徵變數將一個觀測投射到一個n維的空間上去，例如一個點A（x,y），它有兩個特徵變數，分別是x和y，這時支持向量機會把它投射到一個二維的平面上，如果有一群這樣的點，可不可以通過畫一條線，將屬性不同的點盡量切割，分到線的不同邊。這裡又分線性可分的情況和線性不可分的情況，最終的目的是計算出這樣一個分割邊界。二維的平面我們很好理解，三維的空間也很好理解，維度再高我們就不是很好理解了，可是演算法能做到。

人工神經網路是機器學習的頂級演算法了，它模擬生物的神經系統，設立不同層數的神經節點，最終產生輸出。通常人工神經網路最直觀的特徵包括三個，分別為層數、每層節點數、節點的激活函數。每個神經網路都有三個基本層——輸入層、輸出層，和中間的隱藏層。如果隱藏層數大於一，那麼就把這個神經網路叫做深度學習網路了，也就是所謂的「深度學習」。它幾乎可以解決所有人工智慧問題，目前很多應用，如自然語言識別、機器視覺、自動駕駛等，均依賴深度學習的發展和實現。

無論是支持向量機還是人工神經網路，其演算法均和線性代數密不可分。由於對線性代數不熟悉，我沒辦法講明白黑箱演算法的具體原理。網上有很多資源，感興趣的朋友可以翻翻。

好了，就總結到這裡了，期待以後，能繼續把這個專題寫下去，總結下去。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！