天津网站优化步骤,设计wordpress主题,wordpress评论特效,wordpress 文章置顶显示简介 机器学习算法太多了#xff0c;分类、回归、聚类、推荐、图像识别领域等等#xff0c;要想找到一个合适算法真的不容易#xff0c;所以在实际应用中#xff0c;我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法#xff0c;诸如SVM分类、回归、聚类、推荐、图像识别领域等等要想找到一个合适算法真的不容易所以在实际应用中我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法诸如SVMGBDTAdaboost现在深度学习很火热神经网络也是一个不错的选择。假如你在乎精度accuracy的话最好的方法就是通过交叉验证cross-validation对各个算法一个个地进行测试进行比较然后调整参数确保每个算法达到最优解最后选择最好的一个。但是如果你只是在寻找一个“足够好”的算法来解决你的问题或者这里有些技巧可以参考下面来分析下各个算法的优缺点基于算法的优缺点更易于我们去选择它。 偏差方差 在统计学中一个模型好坏是根据偏差和方差来衡量的所以我们先来普及一下偏差和方差 偏差描述的是预测值估计值的期望E’与真实值Y之间的差距。偏差越大越偏离真实数据。 方差描述的是预测值P的变化范围离散程度是预测值的方差也就是离其期望值E的距离。方差越大数据的分布越分散。 模型的真实误差是两者之和如下图 如果是小训练集高偏差/低方差的分类器例如朴素贝叶斯NB要比低偏差/高方差大分类的优势大例如KNN因为后者会过拟合。但是随着你训练集的增长模型对于原数据的预测能力就越好偏差就会降低此时低偏差/高方差分类器就会渐渐的表现其优势因为它们有较低的渐近误差此时高偏差分类器此时已经不足以提供准确的模型了。 当然你也可以认为这是生成模型NB与判别模型KNN的一个区别。 为什么说朴素贝叶斯是高偏差低方差? 以下内容引自知乎 首先假设你知道训练集和测试集的关系。简单来讲是我们要在训练集上学习一个模型然后拿到测试集去用效果好不好要根据测试集的错误率来衡量。但很多时候我们只能假设测试集和训练集的是符合同一个数据分布的但却拿不到真正的测试数据。这时候怎么在只看到训练错误率的情况下去衡量测试错误率呢 由于训练样本很少至少不足够多所以通过训练集得到的模型总不是真正正确的。就算在训练集上正确率100%也不能说明它刻画了真实的数据分布要知道刻画真实的数据分布才是我们的目的而不是只刻画训练集的有限的数据点。而且实际中训练样本往往还有一定的噪音误差所以如果太追求在训练集上的完美而采用一个很复杂的模型会使得模型把训练集里面的误差都当成了真实的数据分布特征从而得到错误的数据分布估计。这样的话到了真正的测试集上就错的一塌糊涂了这种现象叫过拟合。但是也不能用太简单的模型否则在数据分布比较复杂的时候模型就不足以刻画数据分布了体现为连在训练集上的错误率都很高这种现象较欠拟合。过拟合表明采用的模型比真实的数据分布更复杂而欠拟合表示采用的模型比真实的数据分布要简单。 在统计学习框架下大家刻画模型复杂度的时候有这么个观点认为Error Bias Variance。这里的Error大概可以理解为模型的预测错误率是有两部分组成的一部分是由于模型太简单而带来的估计不准确的部分Bias另一部分是由于模型太复杂而带来的更大的变化空间和不确定性Variance。 所以这样就容易分析朴素贝叶斯了。它简单的假设了各个数据之间是无关的是一个被严重简化了的模型。所以对于这样一个简单模型大部分场合都会Bias部分大于Variance部分也就是说高偏差而低方差。 在实际中为了让Error尽量小我们在选择模型的时候需要平衡Bias和Variance所占的比例也就是平衡over-fitting和under-fitting。 偏差和方差与模型复杂度的关系使用下图更加明了 当模型复杂度上升的时候偏差会逐渐变小而方差会逐渐变大。 常见算法优缺点 1.朴素贝叶斯 朴素贝叶斯属于生成式模型关于生成模型和判别式模型主要还是在于是否是要求联合分布非常简单你只是做了一堆计数。如果注有条件独立性假设一个比较严格的条件朴素贝叶斯分类器的收敛速度将快于判别模型如逻辑回归所以你只需要较少的训练数据即可。即使NB条件独立假设不成立NB分类器在实践中仍然表现的很出色。它的主要缺点是它不能学习特征间的相互作用用mRMR中R来讲就是特征冗余。引用一个比较经典的例子比如虽然你喜欢Brad Pitt和Tom Cruise的电影但是它不能学习出你不喜欢他们在一起演的电影。 优点 朴素贝叶斯模型发源于古典数学理论有着坚实的数学基础以及稳定的分类效率。 对小规模的数据表现很好能个处理多分类任务适合增量式训练 对缺失数据不太敏感算法也比较简单常用于文本分类。 缺点 需要计算先验概率 分类决策存在错误率 对输入数据的表达形式很敏感。 2.Logistic Regression逻辑回归 属于判别式模型有很多正则化模型的方法L0 L1L2etc而且你不必像在用朴素贝叶斯那样担心你的特征是否相关。与决策树与SVM机相比你还会得到一个不错的概率解释你甚至可以轻松地利用新数据来更新模型使用在线梯度下降算法online gradient descent。如果你需要一个概率架构比如简单地调节分类阈值指明不确定性或者是要获得置信区间或者你希望以后将更多的训练数据快速整合到模型中去那么使用它吧。 Sigmoid函数 优点 实现简单广泛的应用于工业问题上 分类时计算量非常小速度很快存储资源低 便利的观测样本概率分数 对逻辑回归而言多重共线性并不是问题它可以结合L2正则化来解决该问题 缺点 当特征空间很大时逻辑回归的性能不是很好 容易欠拟合一般准确度不太高 不能很好地处理大量多类特征或变量 只能处理两分类问题在此基础上衍生出来的softmax可以用于多分类且必须线性可分 对于非线性特征需要进行转换 3.线性回归 线性回归是用于回归的而不像Logistic回归是用于分类其基本思想是用梯度下降法对最小二乘法形式的误差函数进行优化当然也可以用normal equation直接求得参数的解结果为 而在LWLR局部加权线性回归中参数的计算表达式为: 由此可见LWLR与LR不同LWLR是一个非参数模型因为每次进行回归计算都要遍历训练样本至少一次。 优点 实现简单计算简单缺点 不能拟合非线性数据. 4.最近领算法——KNN KNN即最近邻算法其主要过程为 1. 计算训练样本和测试样本中每个样本点的距离常见的距离度量有欧式距离马氏距离等2. 对上面所有的距离值进行排序3. 选前k个最小距离的样本4. 根据这k个样本的标签进行投票得到最后的分类类别 如何选择一个最佳的K值这取决于数据。一般情况下在分类时较大的K值能够减小噪声的影响。但会使类别之间的界限变得模糊。一个较好的K值可通过各种启发式技术来获取比如交叉验证。另外噪声和非相关性特征向量的存在会使K近邻算法的准确性减小。 近邻算法具有较强的一致性结果。随着数据趋于无限算法保证错误率不会超过贝叶斯算法错误率的两倍。对于一些好的K值K近邻保证错误率不会超过贝叶斯理论误差率。 KNN算法的优点 理论成熟思想简单既可以用来做分类也可以用来做回归 可用于非线性分类 训练时间复杂度为O(n) 对数据没有假设准确度高对outlier不敏感 缺点 计算量大 样本不平衡问题即有些类别的样本数量很多而其它样本的数量很少 需要大量的内存 5.决策树 易于解释。它可以毫无压力地处理特征间的交互关系并且是非参数化的因此你不必担心异常值或者数据是否线性可分举个例子决策树能轻松处理好类别A在某个特征维度x的末端类别B在中间然后类别A又出现在特征维度x前端的情况。它的缺点之一就是不支持在线学习于是在新样本到来后决策树需要全部重建。另一个缺点就是容易出现过拟合但这也就是诸如随机森林RF或提升树boosted tree之类的集成方法的切入点。另外随机森林经常是很多分类问题的赢家通常比支持向量机好上那么一丁点它训练快速并且可调同时你无须担心要像支持向量机那样调一大堆参数所以在以前都一直很受欢迎。 决策树中很重要的一点就是选择一个属性进行分枝因此要注意一下信息增益的计算公式并深入理解它。 信息熵的计算公式如下: 其中的n代表有n个分类类别比如假设是2类问题那么n2。分别计算这2类样本在总样本中出现的概率p1和p2这样就可以计算出未选中属性分枝前的信息熵。 现在选中一个属性xixi用来进行分枝此时分枝规则是如果xivxiv的话将样本分到树的一个分支如果不相等则进入另一个分支。很显然分支中的样本很有可能包括2个类别分别计算这2个分支的熵H1和H2,计算出分枝后的总信息熵H’ p1H1p2 H2,则此时的信息增益ΔH H - H’。以信息增益为原则把所有的属性都测试一边选择一个使增益最大的属性作为本次分枝属性。 决策树自身的优点 计算简单易于理解可解释性强 比较适合处理有缺失属性的样本 能够处理不相关的特征 在相对短的时间内能够对大型数据源做出可行且效果良好的结果。 缺点 容易发生过拟合随机森林可以很大程度上减少过拟合 忽略了数据之间的相关性 对于那些各类别样本数量不一致的数据在决策树当中,信息增益的结果偏向于那些具有更多数值的特征只要是使用了信息增益都有这个缺点如RF。 5.1 Adaboosting Adaboost是一种加和模型每个模型都是基于上一次模型的错误率来建立的过分关注分错的样本而对正确分类的样本减少关注度逐次迭代之后可以得到一个相对较好的模型。是一种典型的boosting算法。下面是总结下它的优缺点。 优点 adaboost是一种有很高精度的分类器。 可以使用各种方法构建子分类器Adaboost算法提供的是框架。 当使用简单分类器时计算出的结果是可以理解的并且弱分类器的构造极其简单。 简单不用做特征筛选。 不容易发生overfitting。 关于随机森林和GBDT等组合算法参考这篇文章机器学习-组合算法总结 缺点对outlier比较敏感 6.SVM支持向量机 高准确率为避免过拟合提供了很好的理论保证而且就算数据在原特征空间线性不可分只要给个合适的核函数它就能运行得很好。在动辄超高维的文本分类问题中特别受欢迎。可惜内存消耗大难以解释运行和调参也有些烦人而随机森林却刚好避开了这些缺点比较实用。 优点 可以解决高维问题即大型特征空间 能够处理非线性特征的相互作用 无需依赖整个数据 可以提高泛化能力 缺点 当观测样本很多时效率并不是很高 对非线性问题没有通用解决方案有时候很难找到一个合适的核函数 对缺失数据敏感 对于核的选择也是有技巧的libsvm中自带了四种核函数线性核、多项式核、RBF以及sigmoid核 第一如果样本数量小于特征数那么就没必要选择非线性核简单的使用线性核就可以了 第二如果样本数量大于特征数目这时可以使用非线性核将样本映射到更高维度一般可以得到更好的结果 第三如果样本数目和特征数目相等该情况可以使用非线性核原理和第二种一样。 对于第一种情况也可以先对数据进行降维然后使用非线性核这也是一种方法。 7. 人工神经网络的优缺点 人工神经网络的优点 分类的准确度高 并行分布处理能力强,分布存储及学习能力强 对噪声神经有较强的鲁棒性和容错能力能充分逼近复杂的非线性关系 具备联想记忆的功能。 人工神经网络的缺点 神经网络需要大量的参数如网络拓扑结构、权值和阈值的初始值 不能观察之间的学习过程输出结果难以解释会影响到结果的可信度和可接受程度 学习时间过长,甚至可能达不到学习的目的。 8、K-Means聚类 之前写过一篇关于K-Means聚类的文章博文链接机器学习算法-K-means聚类。关于K-Means的推导里面有着很强大的EM思想。 优点 算法简单容易实现 对处理大数据集该算法是相对可伸缩的和高效率的因为它的复杂度大约是O(nkt)其中n是所有对象的数目k是簇的数目,t是迭代的次数。通常kn。这个算法通常局部收敛。 算法尝试找出使平方误差函数值最小的k个划分。当簇是密集的、球状或团状的且簇与簇之间区别明显时聚类效果较好。 缺点 对数据类型要求较高适合数值型数据 可能收敛到局部最小值在大规模数据上收敛较慢 K值比较难以选取 对初值的簇心值敏感对于不同的初始值可能会导致不同的聚类结果 不适合于发现非凸面形状的簇或者大小差别很大的簇。 对于”噪声”和孤立点数据敏感少量的该类数据能够对平均值产生极大影响。 算法选择参考 之前翻译过一些国外的文章有一篇文章中给出了一个简单的算法选择技巧 1. 首当其冲应该选择的就是逻辑回归如果它的效果不怎么样那么可以将它的结果作为基准来参考在基础上与其他算法进行比较 2. 然后试试决策树随机森林看看是否可以大幅度提升你的模型性能。即便最后你并没有把它当做为最终模型你也可以使用随机森林来移除噪声变量做特征选择 3. 如果特征的数量和观测样本特别多那么当资源和时间充足时这个前提很重要使用SVM不失为一种选择。 通常情况下【GBDTSVMRFAdaboostOther…】现在深度学习很热门很多领域都用到它是以神经网络为基础的目前我自己也在学习只是理论知识不是很厚实理解的不够深这里就不做介绍了。 算法固然重要但好的数据却要优于好的算法设计优良特征是大有裨益的。假如你有一个超大数据集那么无论你使用哪种算法可能对分类性能都没太大影响此时就可以根据速度和易用性来进行抉择。
