版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
1、10种机器学习算法介绍,10种机器学习算法介绍,10种机器学习算法介绍,基本概念分类,监督式学习 多轮学习以达到目的:实现回归或分类 非监督式学习 特定方法实现聚类。(由于目的性不明确,所以一般没有多轮) 强化学习 不断学习,永无止境,分类算法 适用因变量为连续变量 回归算法 适用因变量为离散变量,聚类和分类的差别 聚类:无限种类别可能 分类:有限种类别可能,10种机器学习算法介绍,监督式学习,工作机制 这个算法由一个目标变量或结果变量(或因变量)组成。 此变量由已知的一系列预示变量(自变量)预测而来。 利用这一系列变量,我们生成一个将输入值映射到期望输出值的函数。 这个训练过程会一直持续,直
2、到模型在训练数据上获得期望的精确度。 例子 回归,决策树,随机森林,K 近邻算法,逻辑回归 等,10种机器学习算法介绍,非监督式学习,工作机制 在这个算法中,没有任何目标变量或结果变量要预测或估计。 这个算法用在不同的组内聚类分析。 这种分析方式被广泛地用来细分客户,根据干预的方式分为不同的用户组。 例子 关联算法, K 均值算法,10种机器学习算法介绍,强化学习,工作机制 这个算法训练机器进行决策。 机器被放在一个能让它通过反复试错来训练自己的环境中。 机器从过去的经验中进行学习,并且尝试利用了解最透彻的知识作出精确的商业判断。 (好虚。) 例子 马尔可夫决策过程,10种机器学习算法介绍,监
3、督式学习与非监督式学习的差别,监督式学习方法,要求: 事先明确知道各个类别的信息 所有待分类项都有一个类别与之对应 如果不能满足上述两个条件(例如有海量数据),则需适用聚类算法,即非监督式学习。,大数据,10种机器学习算法介绍,线性回归,适用场景 根据连续变量估计实际数值(房价、呼叫次数、总销售额等)。 原理 可通过拟合最佳直线来建立自变量和因变量的关系。拟合结果是条直线 Y= a *X + b:其中Y是因变量,a是斜率,x是自变量,b是截距 最佳直线叫做回归线。系数 a 和 b 通过最小二乘法获得。 R语言代码,# Train the model using the training set
4、s and check score linear - lm(y_train x_train) summary(linear) #Predict Output predicted= predict(linear,x_test),假设在不问对方体重的情况下,让一个五年级的孩子按体重从轻到重的顺序对班上的同学排序,你觉得这个孩子会怎么做?他(她)很可能会目测人们的身高和体型,综合这些可见的参数来排列他们。这是现实生活中使用线性回归的例子。,10种机器学习算法介绍,逻辑回归,适用场景 该算法可根据已知的一系列因变量估计离散数值的出现概率。 原理 这是一个分类算法而不是一个回归算法。 从数学上看,在结果
5、中,几率的对数使用的是预测变量的线性组合模型。 ln(p/(1-p) = b0+b1*X1+b2*X2+b3*X3.+bk*Xk R语言代码,假设你的朋友让你解开一个谜题。这只会有两个结果:你解开了或是你没有解开。想象你要解答很多道题来找出你所擅长的主题。这个研究的结果就会像是这样:假设题目是一道十年级的三角函数题,你有 70%的可能会解开这道题。然而,若题目是个五年级的历史题,你只有30%的可能性回答正确。这就是逻辑回归能提供给你的信息。,# Train the model using the training sets and check score logistic - glm(y_tr
6、ain ., data = x,family=binomial) summary(logistic) #Predict Output predicted= predict(logistic,x_test),10种机器学习算法介绍,决策树,使用场景 这个监督式学习算法通常被用于分类问题。 它同时适用于分类变量和连续因变量。 原理 在这个算法中,我们将总体分成两个或更多的同类群。 这是根据最重要的属性或者自变量来分成尽可能不同的组别。 R语言代码,library(rpart) x - cbind(x_train,y_train) # grow tree fit - rpart(y_train .,
7、 data = x,method=class) summary(fit) #Predict Output predicted= predict(fit,x_test) library(rpart.plot) rpart.plot(fit),10种机器学习算法介绍,细说决策树(1)混乱度判断,熵 熵:E = sum(-p(I)*log(p(I),I=1:N(N类结果,如客户是否流失) 所有样本都属于一个类别I(最整齐),那么熵为0,如果样本完全随机,那么熵为1 信息增益 信息增益:原样本的熵-sum(区分后的各部分熵),增益越大表示区分的方法越好 Gain(Sample,Action) = E(
8、sample) - sum(|Sample(v)|/Sample * E(Sample(v) 除了熵以外,还有GINI不纯度,错误率两种计算混乱度的方法,定义不同但效果类似。,10种机器学习算法介绍,细说决策树(2)rpart参数详解,生成树 rpart(formula, data, weights, subset,na.action = na.rpart, method, model = FALSE, x = FALSE, y = TRUE, parms, control, cost, .) 主要参数说明 method:根据树末端的数据类型选择相应变量分割方法,本参数有四种取值:连续型“an
9、ova”;离散型“class”;计数型(泊松过程)“poisson”;生存分析型“exp”。程序会根据因变量的类型自动选择方法,但一般情况下最好还是指明本参数,以便让程序清楚做哪一种树模型。 parms:用来设置三个参数:先验概率、损失矩阵、分类纯度的度量方法。 control:控制每个节点上的最小样本量、交叉验证的次数、复杂性参量:即cp:complexitypamemeter,这个参数意味着对每一步拆分,模型的拟合优度必须提高的程度,等等。 ,10种机器学习算法介绍,细说决策树(3)剪枝prune,复杂度 complexity parameter 对于连续性因变量而言,可能存在分割过细的情
10、况,可以通过复杂度来看是否还有必要存在。 fit$cptable,可以看出每个节点的复杂度。 fit2-prune(fit,cp=0.01)表示修剪复杂度在0.01以下的节点。,10种机器学习算法介绍,支持向量机,适用场景 这是一种分类方法。 算法 我们将每个数据在N维空间中用点标出(N是你所有的特征总数),每个特征的值是一个坐标的值。 然后想办法找到将两组不同数据分开的一条直线。两个分组中距离最近的两个点到这条线的距离同时最优化。 测试数据落到直线的哪一边,我们就将它分到哪一类去。,library(e1071) x - cbind(x_train,y_train) # Fitting mod
11、el fit -svm(y_train ., data = x) summary(fit) #Predict Output predicted= predict(fit,x_test),10种机器学习算法介绍,朴素贝叶斯,适用场景 在预示变量间相互独立的前提下,根据贝叶斯定理可以得到朴素贝叶斯这个分类方法。 预测结果为离散型因变量的出现概率。 R语言代码,library(e1071) x - cbind(x_train,y_train) # Fitting model fit -naiveBayes(y_train ., data = x) summary(fit) #Predict Outp
12、ut predicted= predict(fit,x_test),10种机器学习算法介绍,朴素贝叶斯,算法 对于给出的待分类项,求解在此项出现的条件下各个类别出现的概率,哪个最大,就认为此待分类项属于哪个类别。 自变量:x=a1,a2,.,an 因变量:假设我们的结论有True/False两种 根据样本可得到p(a1|T), p(a2|T), ., p(an|T), p(a1|F), p(a2|F), ., p(an|F) 我们想比较p(T|x)和p(F|x),则根据贝叶斯定理: p(T|x)=p(x|T)*p(T)/p(x)=p(a1|T)*p(a2|T)*.*p(an|T)*p(T)/p
13、(x) p(T|x)*p(x)=p(x|T)*p(T)=p(a1|T)*p(a2|T)*.*p(an|T)*p(T) p(F|x)*p(x)=p(x|F)*p(T)=p(a1|F)*p(a2|F)*.*p(an|F)*p(F) 由此得出x情况下T的概率和F的概率。,10种机器学习算法介绍,KNN(K最邻近算法),适用场景 该算法可用于分类问题和回归问题。然而,在业界内,K最近邻算法更常用于分类问题。 原理 K最近邻算法是一个简单的算法。它储存所有的案例,通过周围k个案例中的大多数情况划分新的案例。根据一个距离函数,新案例会被分配到它的 K 个近邻中最普遍的类别中去。 这些距离函数可以是欧式距离
14、、曼哈顿距离、明式距离或者是汉明距离。 前三个距离函数用于连续函数,第四个函数(汉明函数)则被用于分类变量。,10种机器学习算法介绍,KNN(K最邻近算法),举例 右图中,绿色圆要被决定赋予哪个类,是红色三角形还是蓝色四方形?如果K=3,由于红色三角形所占比例为2/3,绿色圆将被赋予红色三角形那个类,如果K=5,由于蓝色四方形比例为3/5,因此绿色圆被赋予蓝色四方形类。,补充说明 KNN算法不仅可以用于分类,还可以用于回归。通过找出一个样本的k个最近邻居,将这些邻居的属性的平均值赋给该样本,就可以得到该样本的属性。更有用的方法是将不同距离的邻居对该样本产生的影响给予不同的权值(weight),
15、如权值与距离成反比。,library(knn) x - cbind(x_train,y_train) # Fitting model fit -knn(y_train ., data = x,k=5) summary(fit) #Predict Output predicted= predict(fit,x_test),10种机器学习算法介绍,K均值算法,使用场景 K均值算法是一种非监督式学习算法,它能解决聚类问题。 使用 K均值算法来将一个数据归入一定数量的集群(假设有 k 个集群)的过程是简单的。 一个集群内的数据点是均匀齐次的,并且异于别的集群。 算法 1、从D中随机取k个元素,作为k个
16、簇的各自的中心。 2、分别计算剩下的元素到k个簇中心的相异度,将这些元素分别划归到相异度最低的簇。 3、根据聚类结果,重新计算k个簇各自的中心,计算方法是取簇中所有元素各自维度的算术平均数。 4、将D中全部元素按照新的中心重新聚类。 5、重复第4步,直到聚类结果不再变化。 6、将结果输出。,10种机器学习算法介绍,K均值算法,如何确定K值 K 均值算法涉及到集群,每个集群有自己的质心。一个集群内的质心和各数据点之间距离的平方和形成了这个集群的平方值之和。同时,当所有集群的平方值之和加起来的时候,就组成了集群方案的平方值之和。 我们知道,当集群的数量增加时,所有集群平方和之和会持续下降。但是,如果你将结果用图表来表示,你会看到距离的平方总和快速减少。到某个值 k 之后,减少的速度就大大下降了。在此,我们可以找到集群数量的最优值。,10种机器学习算
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2024年资产评估师之资产评估基础过关检测试卷A卷附答案
- 【2026年】2025年新能源汽车电池测试卷试卷+答案含4份
- (新版)金属冶炼(黑色金属铸造)安全管理人员考试题库(含答案)
- (完整版)骨科考试试题(含答案)
- (2025)中储粮考试题库与答案
- 2025殡葬服务笔试题及答案
- (2025)“安全生产月”安全生产知识竞赛试题库(答案)
- (新版)矿山救护队考试竞赛题库及答案
- 2025年校园新教师入职培训规章制度:教师职业素养培训大纲
- 2019-2020学年上学期高一期末考试备考金卷 数学(乙卷)试题 教师版含答案解析可编辑可打印 高一数学备考刷题
- 高甘油三酯血症管理专家共识(2025版)
- 2026年行测类题库及答案详解
- 三年级语文上册人教版《大自然的声音》
- 2026语文新教材 1第24课《我将无我不负人民》
- 2026安徽省考评员培训考试题库及答案
- 2026年四川省拟任乡科级领导干部任职资格试题及参考答案
- 统编五年级上册《航天员写给孩子的信》课件
- 2026年陕西水务发展建设集团第三工程有限公司招聘(28人)考试备考试题及答案详解
- 2026年高校审计处岗招聘笔试真题附答案
- 安徽省黄山市屯溪四中2025年七年级上学期地理期中考试(含答案)
- 凝心聚力共逐梦家校携手启新程
评论
0/150
提交评论