作者 | Badreesh Shetty

整理 | 大數(shù)據(jù)文摘

說起分類算法，相信學(xué)過機器學(xué)習(xí)的同學(xué)都能侃上一二。

可是，你能夠如數(shù)家珍地說出所有常用的分類算法，以及他們的特征、優(yōu)缺點嗎？比如說，你可以快速地回答下面的問題么:

• KNN算法的優(yōu)缺點是什么？
• Naive Bayes算法的基本假設(shè)是什么？
• entropy loss是如何定義的？
• 最后，分類算法調(diào)參常用的圖像又有哪些？

答不上來？別怕！一起來通過這篇文章回顧一下機器學(xué)習(xí)分類算法吧（本文適合已有機器學(xué)習(xí)分類算法基礎(chǔ)的同學(xué)）。

機器學(xué)習(xí)是一種能從數(shù)據(jù)中學(xué)習(xí)的計算機編程科學(xué)以及藝術(shù)，就像下面這句話說得一樣。

機器學(xué)習(xí)是使計算機無需顯式編程就能學(xué)習(xí)的研究領(lǐng)域?！⑸と姞?，1959年

不過還有一個更好的定義：

“如果一個程序在使用既有的經(jīng)驗（E）執(zhí)行某類任務(wù)（T）的過程中被認為是“具備學(xué)習(xí)能力的”，那么它一定需要展現(xiàn)出:利用現(xiàn)有的經(jīng)驗（E），不斷改善其完成既定任務(wù)（T）的性能（P）的特性?！薄猅om Mitchell, 1997

例如，你的垃圾郵件過濾器是一個機器學(xué)習(xí)程序，通過學(xué)習(xí)用戶標記好的垃圾郵件和常規(guī)非垃圾郵件示例，它可以學(xué)會標記垃圾郵件。系統(tǒng)用于學(xué)習(xí)的示例稱為訓(xùn)練集。在此案例中，任務(wù)（T）是標記新郵件是否為垃圾郵件，經(jīng)驗（E）是訓(xùn)練數(shù)據(jù)，性能度量（P） 需要定義。例如，你可以定義正確分類的電子郵件的比例為P。這種特殊的性能度量稱為準確度，這是一種有監(jiān)督的學(xué)習(xí)方法，常被用于分類任務(wù)。

監(jiān)督學(xué)習(xí)

在監(jiān)督學(xué)習(xí)中，算法從有標記數(shù)據(jù)中學(xué)習(xí)。在理解數(shù)據(jù)之后，該算法通過將模式與未標記的新數(shù)據(jù)關(guān)聯(lián)來確定應(yīng)該給新數(shù)據(jù)賦哪種標簽。

監(jiān)督學(xué)習(xí)可以分為兩類：分類和回歸。

分類問題預(yù)測數(shù)據(jù)所屬的類別；

分類的例子包括垃圾郵件檢測、客戶流失預(yù)測、情感分析、犬種檢測等。

回歸問題根據(jù)先前觀察到的數(shù)據(jù)預(yù)測數(shù)值；

回歸的例子包括房價預(yù)測、股價預(yù)測、身高-體重預(yù)測等。

分類問題

分類是一種基于一個或多個自變量確定因變量所屬類別的技術(shù)。

▲分類用于預(yù)測離散響應(yīng)

邏輯回歸

邏輯回歸類似于線性回歸，適用于因變量不是一個數(shù)值字的情況 (例如，一個“是/否”的響應(yīng))。它雖然被稱為回歸，但卻是基于根據(jù)回歸的分類，將因變量分為兩類。

如上所述，邏輯回歸用于預(yù)測二分類的輸出。例如，如果信用卡公司構(gòu)建一個模型來決定是否通過向客戶的發(fā)行信用卡申請，它將預(yù)測客戶的信用卡是否會“違約”。

首先對變量之間的關(guān)系進行線性回歸以構(gòu)建模型，分類的閾值假設(shè)為0.5。

然后將Logistic函數(shù)應(yīng)用于回歸分析，得到兩類的概率。

該函數(shù)給出了事件發(fā)生和不發(fā)生概率的對數(shù)。最后，根據(jù)這兩類中較高的概率對變量進行分類。

K-近鄰算法（K-NN）

K-NN算法是一種最簡單的分類算法，通過識別被分成若干類的數(shù)據(jù)點，以預(yù)測新樣本點的分類。K-NN是一種非參數(shù)的算法，是“懶惰學(xué)習(xí)”的著名代表，它根據(jù)相似性（如，距離函數(shù)）對新數(shù)據(jù)進行分類。

K-NN能很好地處理少量輸入變量（p）的情況，但當輸入量非常大時就會出現(xiàn)問題。

支持向量機（SVM）

支持向量機既可用于回歸也可用于分類。它基于定義決策邊界的決策平面。決策平面（超平面）可將一組屬于不同類的對象分離開。

在支持向量的幫助下，SVM通過尋找超平面進行分類，并使兩個類之間的邊界距離最大化。

SVM中超平面的學(xué)習(xí)是通過將問題轉(zhuǎn)化為使用一些某種線性代數(shù)轉(zhuǎn)換問題來完成的。（上圖的例子是一個線性核，它在每個變量之間具有線性可分性）。

對于高維數(shù)據(jù)，使用可使用其他核函數(shù)，但高維數(shù)據(jù)不容易進行分類。具體方法將在下一節(jié)中闡述。

核支持向量機

核支持向量機將核函數(shù)引入到SVM算法中，并將其轉(zhuǎn)換為所需的形式，將數(shù)據(jù)映射到可分的高維空間。

核函數(shù)的類型包括：

• 前文討論的就是線性SVM。
• 多項式核中需要指定多項式的次數(shù)。它允許在輸入空間中使用曲線進行分割。
• 徑向基核（radial basis function, RBF）可用于非線性可分變量。使用平方歐幾里德距離，參數(shù)的典型值會導(dǎo)致過度擬合。sklearn中默認使用RBF。
• 類似于與邏輯回歸類似，sigmoid核用于二分類問題。

徑向基核（RBF：Radial Basis Function ）

RBF核支持向量機的決策區(qū)域?qū)嶋H上也是一個線性決策區(qū)域。RBF核支持向量機的實際作用是構(gòu)造特征的非線性組合，將樣本映射到高維特征空間，再利用線性決策邊界分離類。

因此，可以得出經(jīng)驗是：對線性問題使用線性支持向量機，對非線性問題使用非線性核函數(shù)，如RBF核函數(shù)。

樸素貝葉斯

樸素貝葉斯分類器建立在貝葉斯定理的基礎(chǔ)上，基于特征之間互相獨立的假設(shè)（假定類中存在一個與任何其他特征無關(guān)的特征）。即使這些特征相互依賴，或者依賴于其他特征的存在，樸素貝葉斯算法都認為這些特征都是獨立的。這樣的假設(shè)過于理想，樸素貝葉斯因此而得名。

在樸素貝葉斯的基礎(chǔ)上，高斯樸素貝葉斯根據(jù)二項（正態(tài)）分布對數(shù)據(jù)進行分類。

P(class|data) 表示給定特征（屬性）后數(shù)據(jù)屬于某類（目標）的后驗概率。給定數(shù)據(jù)，其屬于各類的概率大小就是我們要計算的值。

P(class)表示某類的先驗概率。

P(data|class)表示似然，是指定類別時特征出現(xiàn)的概率。

P(data)表示特征或邊際似然的先驗概率。

步驟

1、計算先驗概率P(class) = 類中數(shù)據(jù)點的數(shù)量/觀測值的總數(shù)量P(yellow) = 10/17P(green) = 7/17

2、計算邊際似然P(data) = 與觀測值相似的數(shù)據(jù)點的數(shù)量/觀測值的總數(shù)量P(?) = 4/17該值用于檢查各個概率。

3、計算似然P(data/class) = 類中與觀測值相似的數(shù)量/類中點的總數(shù)量P(?/yellow) = 1/7P(?/green) = 3/10

4、計算各類的后驗概率

5、分類

某一點歸于后驗概率高的類別，因為從上可知其屬于綠色類的概率是75%根據(jù)其75%的概率這個點屬于綠色類。

多項式、伯努利樸素貝葉斯是計算概率的其他模型。樸素貝葉斯模型易于構(gòu)建，不需要復(fù)雜的參數(shù)迭代估計，這使得它對非常大的數(shù)據(jù)集特別有用。

決策樹分類

決策樹以樹狀結(jié)構(gòu)構(gòu)建分類或回歸模型。它通過將數(shù)據(jù)集不斷拆分為更小的子集來使決策樹不斷生長。最終長成具有決策節(jié)點（包括根節(jié)點和內(nèi)部節(jié)點）和葉節(jié)點的樹。最初決策樹算法它采用采用Iterative Dichotomiser 3（ID3）算法來確定分裂節(jié)點的順序。

▲信息熵和信息增益用于被用來構(gòu)建決策樹。

信息熵

信息熵是衡量元素?zé)o序狀態(tài)程度的一個指標，即衡量信息的不純度。

信息熵是衡量元素的無序狀態(tài)的程度的一個指標，或者說，衡量信息的不純度。

直觀上說地理解，信息熵表示一個事件的確定性程度。信息熵度量樣本的同一性，如果樣本全部屬于同一類，則信息熵為0；如果樣本等分成不同的類別，則信息熵為1。

信息增益

信息增益測量獨立屬性間信息熵的變化。它試圖估計每個屬性本身包含的信息，構(gòu)造決策樹就是要找到具有最高信息增益的屬性（即純度最高的分支）。

信息增益測量獨立屬性間的信息熵的變化。它試圖估計每個屬性本身包含的信息，構(gòu)造決策樹就是要找到具有最高信息增益的屬性（即純度最高的分支）。

其中Gain（(T,X）)是特征X的信息增益。Entropy(T)是整個集合的信息熵，第二項Entropy(T,X)是特征X的信息熵。

采用信息熵進行節(jié)點選擇時，通過對該節(jié)點各個屬性信息增益進行排序，選擇具有最高信息增益的屬性作為劃分節(jié)點，過濾掉其他屬性。

決策樹模型存在的一個問題是容易過擬合。因為在其決策樹構(gòu)建過程中試圖通過生成長一棵完整的樹來擬合訓(xùn)練集，因此卻降低了測試集的準確性。

▲通過剪枝技術(shù)可以減少小決策樹的過擬合問題。

分類的集成算法

集成算法是一個模型組。從技術(shù)上說，集成算法是單獨訓(xùn)練幾個有監(jiān)督模型，并將訓(xùn)練好的模型以不同的方式進行融合，從而達到最終的得預(yù)測結(jié)果。集成后的模型比其中任何一個單獨的模型都有更高的預(yù)測能力。

隨機森林分類器

隨機森林分類器是一種基于裝袋（bagging）的集成算法，即自舉助聚合法(bootstrap aggregation)。集成算法結(jié)合了多個相同或不同類型的算法來對對象進行分類（例如，SVM的集成，基于樸素貝葉斯的集成或基于決策樹的集成）。

集成的基本思想是算法的組合提升了最終的結(jié)果。

深度太大的決策樹容易受過擬合的影響。但是隨機森林通過在隨機子集上構(gòu)建決策樹防止過擬合，主要原因是它會對所有樹的結(jié)果進行投票的結(jié)果是所有樹的分類結(jié)果的投票，從而消除了單棵樹的偏差。

隨機森林在決策樹生增長的同時為模型增加了額外的隨機性。它在分割節(jié)點時，不是搜索全部樣本最重要的特征，而是在隨機特征子集中搜索最佳特征。這種方式使得決策樹具有多樣性，從而能夠得到更好的模型。

梯度提升分類器

梯度提升分類器是一種提升集成算法。提升(boosting)算法是為了減少偏差而對弱分類器的而進行的一種集成方法。與裝袋（bagging）方法構(gòu)建預(yù)測結(jié)果池不同，提升算法是一種分類器的串行方法，它把每個輸出作為下一個分類器的輸入。通常，在裝袋算法中，每棵樹在原始數(shù)據(jù)集的子集上并行訓(xùn)練，并用所有樹預(yù)測結(jié)果的均值作為模型最終的預(yù)測結(jié)果；梯度提升模型，采用串行方式而非并行模式獲得預(yù)測結(jié)果。每棵決策樹預(yù)測前一棵決策樹的誤差，因而使誤差獲得提升。

梯度提升樹的工作流程：

• 使用淺層決策樹初始化預(yù)測結(jié)果。
• 計算殘差值（實際預(yù)測值）。
• 構(gòu)建另一棵淺層決策樹，將上一棵樹的殘差作為輸入進行預(yù)測。
• 用新預(yù)測值和學(xué)習(xí)率的乘積作為最新預(yù)測結(jié)果，更新原有預(yù)測結(jié)果。
• 重復(fù)步驟2-4，進行一定次數(shù)的迭代（迭代的次數(shù)即為構(gòu)建的決策樹的個數(shù)）。

分類器的性能

混淆矩陣

混淆矩陣是一張表，這張表通過對比已知分類結(jié)果的測試數(shù)據(jù)的預(yù)測值和真實值表來描述衡量分類器的性能。在二分類的情況下，混淆矩陣是展示預(yù)測值和真實值四種不同結(jié)果組合的表。

多分類問題的混淆矩陣可以幫助你確認錯誤模式。

對于二元分類器：

假正例&假負例

假正例和假負例用來衡量模型預(yù)測的分類效果。假正例是指模型錯誤地將負例預(yù)測為正例。假負例是指模型錯誤地將正例預(yù)測為負例。主對角線的值越大（主對角線為真正例和真負例），模型就越好；副對角線給出模型的最差預(yù)測結(jié)果。

假正例

下面給出一個假正例的例子。比如：模型將一封郵件分類為垃圾郵件（正例），但這封郵件實際并不是垃圾郵件。這就像一個警示，錯誤如果能被修正就更好，但是與假負例相比，它并不是一個嚴重的問題。

作者注：個人觀點，這個例子舉的不太好，對垃圾郵件來說，相比于錯誤地將垃圾郵件分類為正常郵件（假負例），將正常郵件錯誤地分類為垃圾郵件（假正例）是更嚴重的問題。

假正例（I型錯誤）——原假設(shè)正確而拒絕原假設(shè)。

假負例

假負例的一個例子。例如，該模型預(yù)測一封郵件不是垃圾郵件（負例），但實際上這封郵件是垃圾郵件。這就像一個危險的信號，錯誤應(yīng)該被及早糾正，因為它比假正例更嚴重。

假負例（II型錯誤）——原假設(shè)錯誤而接受原假設(shè)

上圖能夠很容易地說明上述指標。左圖男士的測試結(jié)果是假正例因為男性不能懷孕；右圖女士是假負例因為很明顯她懷孕了。

從混淆矩陣，我們能計算出準確率、精度、召回率和F-1值。

準確率

準確率是模型預(yù)測正確的部分。

準確率的公式為：

當數(shù)據(jù)集不平衡，也就是正樣本和負樣本的數(shù)量存在顯著差異時，單獨依靠準確率不能評價模型的性能。精度和召回率是衡量不平衡數(shù)據(jù)集的更好的指標。

精度

精度是指在所有預(yù)測為正例的分類中，預(yù)測正確的程度為正例的效果。

▲精度越高越好。

召回率

召回率是指在所有預(yù)測為正例（被正確預(yù)測為真的和沒被正確預(yù)測但為真的）的分類樣本中，召回率是指預(yù)測正確的程度。它，也被稱為敏感度或真正率（TPR）。

▲召回率越高越好。

F-1值

通常實用的做法是將精度和召回率合成一個指標F-1值更好用，特別是當你需要一種簡單的方法來衡量兩個分類器性能時。F-1值是精度和召回率的調(diào)和平均值。

普通的通常均值將所有的值平等對待，而調(diào)和平均值給予較低的值更高的權(quán)重，從而能夠更多地懲罰極端值。所以，如果精度和召回率都很高，則分類器將得到很高的F-1值。

接受者操作曲線（ROC）和曲線下的面積（AUC）

ROC曲線是衡量分類器性能的一個很重要指標，它代表模型準確預(yù)測的程度。ROC曲線通過繪制真正率和假正率的關(guān)系來衡量分類器的敏感度。如果分類器性能優(yōu)越，則真正率將增加，曲線下的面積會接近于1.如果分類器類似于隨機猜測，真正率將隨假正率線性增加。AUC值越大，模型效果越好。

累積精度曲線

CAP代表一個模型沿y軸為真正率的累積百分比與沿x軸的該分類樣本累積百分比。CAP不同于接受者操作曲線（ROC，繪制的是真正率與假正率的關(guān)系）。與ROC曲線相比，CAP曲線很少使用。

以考慮一個預(yù)測客戶是否會購買產(chǎn)品的模型為例，如果隨機選擇客戶，他有50%的概率會購買產(chǎn)品?？蛻糍徺I產(chǎn)品的累積數(shù)量會線性地增長到對應(yīng)客戶總量的最大值，這個曲線稱為CAP隨機曲線，為上圖中的藍色線。而一個完美的預(yù)測，準確地確定預(yù)測了哪些客戶會購買產(chǎn)品，這樣，在所有樣本中只需選擇最少的客戶就能達到最大購買量。這在CAP曲線上產(chǎn)生了一條開始陡峭一旦達到最大值就會維持在1的折線，稱為CAP的完美曲線，也被稱為理想曲線，為上圖中灰色的線。

最后，一個真實的模型應(yīng)該能盡可能最大化地正確預(yù)測，接近于理想模型曲線。