99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話：13121318867

登錄
首頁(yè)精彩閱讀干貨 | 基礎(chǔ)機(jī)器學(xué)習(xí)算法
干貨 | 基礎(chǔ)機(jī)器學(xué)習(xí)算法
2017-03-10
收藏
本篇內(nèi)容主要是面向機(jī)器學(xué)習(xí)初學(xué)者,介紹常見(jiàn)的機(jī)器學(xué)習(xí)算法，當(dāng)然,歡迎同行交流。

哲學(xué)要回答的基本問(wèn)題是從哪里來(lái)、我是誰(shuí)、到哪里去，尋找答案的過(guò)程或許可以借鑒機(jī)器學(xué)習(xí)的套路：組織數(shù)據(jù)->挖掘知識(shí)->預(yù)測(cè)未來(lái)。組織數(shù)據(jù)即為設(shè)計(jì)特征，生成滿足特定格式要求的樣本，挖掘知識(shí)即建模，而預(yù)測(cè)未來(lái)就是對(duì)模型的應(yīng)用。

特征設(shè)計(jì)依賴于對(duì)業(yè)務(wù)場(chǎng)景的理解，可分為連續(xù)特征、離散特征和組合高階特征。本篇重點(diǎn)是機(jī)器學(xué)習(xí)算法的介紹，可以分為監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)兩大類。

無(wú)監(jiān)督學(xué)習(xí)算法很多，最近幾年業(yè)界比較關(guān)注主題模型，LSA->PLSA->LDA 為主題模型三個(gè)發(fā)展階段的典型算法，它們主要是建模假設(shè)條件上存在差異。LSA假設(shè)文檔只有一個(gè)主題，PLSA 假設(shè)各個(gè)主題的概率分布不變（theta 都是固定的），LDA 假設(shè)每個(gè)文檔和詞的主題概率是可變的。

LDA 算法本質(zhì)可以借助上帝擲骰子幫助理解，詳細(xì)內(nèi)容可參加 Rickjin 寫的《 LDA 數(shù)據(jù)八卦》文章，淺顯易懂，順便也科普了很多數(shù)學(xué)知識(shí)，非常推薦。

監(jiān)督學(xué)習(xí)可分為分類和回歸，感知器是最簡(jiǎn)單的線性分類器，現(xiàn)在實(shí)際應(yīng)用比較少，但它是神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)的基本單元。


線性函數(shù)擬合數(shù)據(jù)并基于閾值分類時(shí)，很容易受噪聲樣本的干擾，影響分類的準(zhǔn)確性。邏輯回歸（Logistic Regression）利用 sigmoid 函數(shù)將模型輸出約束在 0 到 1 之間，能夠有效弱化噪聲數(shù)據(jù)的負(fù)面影響，被廣泛應(yīng)用于互聯(lián)網(wǎng)廣告點(diǎn)擊率預(yù)估。


邏輯回歸模型參數(shù)可以通過(guò)最大似然求解，首先定義目標(biāo)函數(shù) L ( theta )，然后 log 處理將目標(biāo)函數(shù)的乘法邏輯轉(zhuǎn)化為求和邏輯（最大化似然概率 -> 最小化損失函數(shù)），最后采用梯度下降求解。

相比于線性分類去，決策樹等非線性分類器具有更強(qiáng)的分類能力，ID3 和 C4.5 是典型的決策樹算法，建模流程基本相似，兩者主要在增益函數(shù)（目標(biāo)函數(shù)）的定義不同。


線性回歸和線性分類在表達(dá)形式上是類似的，本質(zhì)區(qū)別是分類的目標(biāo)函數(shù)是離散值，而回歸的目標(biāo)函數(shù)是連續(xù)值。目標(biāo)函數(shù)的不同導(dǎo)致回歸通常基于最小二乘定義目標(biāo)函數(shù)，當(dāng)然，在觀測(cè)誤差滿足高斯分布的假設(shè)情況下，最小二乘和最大似然可以等價(jià)。

當(dāng)梯度下降求解模型參數(shù)時(shí)，可以采用 Batch 模式或者 Stochastic 模式，通常而言，Batch 模式準(zhǔn)確性更高，Stochastic 模式復(fù)雜度更低。


上文已經(jīng)提到，感知器雖然是最簡(jiǎn)單的線性分類器，但是可以視為深度學(xué)習(xí)的基本單元，模型參數(shù)可以由自動(dòng)編碼（ Auto Encoder ）等方法求解。

深度學(xué)習(xí)的優(yōu)勢(shì)之一可以理解為特征抽象，從底層特征學(xué)習(xí)獲得高階特征，描述更為復(fù)雜的信息結(jié)構(gòu)。例如，從像素層特征學(xué)習(xí)抽象出描述紋理結(jié)構(gòu)的邊緣輪廓特征，更進(jìn)一步學(xué)習(xí)獲得表征物體局部的更高階特征。


俗話說(shuō)三個(gè)臭皮匠賽過(guò)諸葛亮，無(wú)論是線性分類還是深度學(xué)習(xí)，都是單個(gè)模型算法單打獨(dú)斗，有沒(méi)有一種集百家之長(zhǎng)的方法，將模型處理數(shù)據(jù)的精度更進(jìn)一步提升呢？當(dāng)然，Model Ensembe l就是解決這個(gè)問(wèn)題。Bagging 為方法之一，對(duì)于給定數(shù)據(jù)處理任務(wù)，采用不同模型/參數(shù)/特征訓(xùn)練多組模型參數(shù)，最后采用投票或者加權(quán)平均的方式輸出最終結(jié)果。


Boosting為Model Ensemble 的另外一種方法，其思想為模型每次迭代時(shí)通過(guò)調(diào)整錯(cuò)誤樣本的損失權(quán)重提升對(duì)數(shù)據(jù)樣本整體的處理精度，典型算法包括 AdaBoost 、GBDT 等。


不同的數(shù)據(jù)任務(wù)場(chǎng)景，可以選擇不同的 Model Ensemble 方法，對(duì)于深度學(xué)習(xí)，可以對(duì)隱層節(jié)點(diǎn)采用 DropOut 的方法實(shí)現(xiàn)類似的效果。


介紹了這么多機(jī)器學(xué)習(xí)基礎(chǔ)算法，說(shuō)一說(shuō)評(píng)價(jià)模型優(yōu)劣的基本準(zhǔn)則。欠擬合和過(guò)擬合是經(jīng)常出現(xiàn)的兩種情況，簡(jiǎn)單的判定方法是比較訓(xùn)練誤差和測(cè)試誤差的關(guān)系，當(dāng)欠擬合時(shí)，可以設(shè)計(jì)更多特征來(lái)提升模型訓(xùn)練精度，當(dāng)過(guò)擬合時(shí)，可以優(yōu)化特征量降低模型復(fù)雜度來(lái)提升模型測(cè)試精度。

 
特征量是模型復(fù)雜度的直觀反映，模型訓(xùn)練之前設(shè)定輸入的特征量是一種方法，另外一種比較常用的方法是在模型訓(xùn)練過(guò)程中，將特征參數(shù)的正則約束項(xiàng)引入目標(biāo)函數(shù)/損失函數(shù)，基于訓(xùn)練過(guò)程篩選優(yōu)質(zhì)特征。


模型調(diào)優(yōu)是一個(gè)細(xì)致活，最終還是需要能夠?qū)?shí)際場(chǎng)景給出可靠的預(yù)測(cè)結(jié)果，解決實(shí)際問(wèn)題。期待學(xué)以致用！


作者 曉惑
本文轉(zhuǎn)自阿里技術(shù)，轉(zhuǎn)載需授權(quán)


數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼

若不方便掃碼，搜微信號(hào)：CDAshujufenxi

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機(jī)數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進(jìn)行初始化 // 參數(shù)1：配置參數(shù) // 參數(shù)2：回調(diào)，回調(diào)的第一個(gè)參數(shù)驗(yàn)證碼對(duì)象，之后可以使用它調(diào)用相應(yīng)的接口 initGeetest({ // 以下 4 個(gè)配置參數(shù)為必須，不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺(tái)檢測(cè)極驗(yàn)服務(wù)器是否宕機(jī) new_captcha: data.new_captcha, // 用于宕機(jī)時(shí)表示是新驗(yàn)證碼的宕機(jī) product: "float", // 產(chǎn)品形式，包括：float，popup width: "280px", https: true // 更多配置參數(shù)說(shuō)明請(qǐng)參見(jiàn)：http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計(jì)時(shí)完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請(qǐng)輸入'+oInput.attr('placeholder')+'！'; var errTxt = '請(qǐng)輸入正確的'+oInput.attr('placeholder')+'！'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }