根據(jù)數(shù)據(jù)類型的不同，對一個問題的建模有不同的方式。在機器學(xué)習(xí)或者人工智能領(lǐng)域，人們首先會考慮算法的學(xué)習(xí)方式。在機器學(xué)習(xí)領(lǐng)域，有幾種主要的學(xué)習(xí)方式。將算法按照學(xué)習(xí)方式分類是一個不錯的想法，這樣可以讓人們在建模和算法選擇的時候考慮能根據(jù)輸入數(shù)據(jù)來選擇最合適的算法來獲得最好的結(jié)果。 >>>>

1. 監(jiān)督式學(xué)習(xí)：

在監(jiān)督式學(xué)習(xí)下，輸入數(shù)據(jù)被稱為“訓(xùn)練數(shù)據(jù)”，每組訓(xùn)練數(shù)據(jù)有一個明確的標(biāo)識或結(jié)果，如對防垃圾郵件系統(tǒng)中“垃圾郵件”“非垃圾郵件”，對手寫數(shù)字識別中的“1“，”2“，”3“，”4“等。在建立預(yù)測模型的時候，監(jiān)督式學(xué)習(xí)建立一個學(xué)習(xí)過程，將預(yù)測結(jié)果與“訓(xùn)練數(shù)據(jù)”的實際結(jié)果進行比較，不斷的調(diào)整預(yù)測模型，直到模型的預(yù)測結(jié)果達到一個預(yù)期的準(zhǔn)確率。監(jiān)督式學(xué)習(xí)的常見應(yīng)用場景如分類問題和回歸問題。常見算法有邏輯回歸（Logistic Regression）和反向傳遞神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）

2. 非監(jiān)督式學(xué)習(xí)：

在非監(jiān)督式學(xué)習(xí)中，數(shù)據(jù)并不被特別標(biāo)識，學(xué)習(xí)模型是為了推斷出數(shù)據(jù)的一些內(nèi)在結(jié)構(gòu)。常見的應(yīng)用場景包括關(guān)聯(lián)規(guī)則的學(xué)習(xí)以及聚類等。常見算法包括Apriori算法以及k-Means算法。

3. 半監(jiān)督式學(xué)習(xí)：

在此學(xué)習(xí)方式下，輸入數(shù)據(jù)部分被標(biāo)識，部分沒有被標(biāo)識，這種學(xué)習(xí)模型可以用來進行預(yù)測，但是模型首先需要學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)以便合理的組織數(shù)據(jù)來進行預(yù)測。應(yīng)用場景包括分類和回歸，算法包括一些對常用監(jiān)督式學(xué)習(xí)算法的延伸，這些算法首先試圖對未標(biāo)識數(shù)據(jù)進行建模，在此基礎(chǔ)上再對標(biāo)識的數(shù)據(jù)進行預(yù)測。如圖論推理算法（Graph Inference）或者拉普拉斯支持向量機（Laplacian SVM.）等。

4. 強化學(xué)習(xí)：

在這種學(xué)習(xí)模式下，輸入數(shù)據(jù)作為對模型的反饋，不像監(jiān)督模型那樣，輸入數(shù)據(jù)僅僅是作為一個檢查模型對錯的方式，在強化學(xué)習(xí)下，輸入數(shù)據(jù)直接反饋到模型，模型必須對此立刻作出調(diào)整。常見的應(yīng)用場景包括動態(tài)系統(tǒng)以及機器人控制等。常見算法包括Q-Learning以及時間差學(xué)習(xí)（Temporal difference learning）

在企業(yè)數(shù)據(jù)應(yīng)用的場景下， 人們最常用的可能就是監(jiān)督式學(xué)習(xí)和非監(jiān)督式學(xué)習(xí)的模型。在圖像識別等領(lǐng)域，由于存在大量的非標(biāo)識的數(shù)據(jù)和少量的可標(biāo)識數(shù)據(jù)， 目前半監(jiān)督式學(xué)習(xí)是一個很熱的話題。而強化學(xué)習(xí)更多的應(yīng)用在機器人控制及其他需要進行系統(tǒng)控制的領(lǐng)域。

5. 算法類似性

根據(jù)算法的功能和形式的類似性，我們可以把算法分類，比如說基于樹的算法，基于神經(jīng)網(wǎng)絡(luò)的算法等等。當(dāng)然，機器學(xué)習(xí)的范圍非常龐大，有些算法很難明確歸類到某一類。而對于有些分類來說，同一分類的算法可以針對不同類型的問題。這里，我們盡量把常用的算法按照最容易理解的方式進行分類。

6. 回歸算法：

回歸算法是試圖采用對誤差的衡量來探索變量之間的關(guān)系的一類算法?；貧w算法是統(tǒng)計機器學(xué)習(xí)的利器。在機器學(xué)習(xí)領(lǐng)域，人們說起回歸，有時候是指一類問題，有時候是指一類算法，這一點常常會使初學(xué)者有所困惑。常見的回歸算法包括：最小二乘法（Ordinary Least Square），邏輯回歸（Logistic Regression），逐步式回歸（Stepwise Regression），多元自適應(yīng)回歸樣條（Multivariate Adaptive Regression Splines）以及本地散點平滑估計（Locally Estimated Scatterplot Smoothing）

7. 基于實例的算法

基于實例的算法常常用來對決策問題建立模型，這樣的模型常常先選取一批樣本數(shù)據(jù)，然后根據(jù)某些近似性把新數(shù)據(jù)與樣本數(shù)據(jù)進行比較。通過這種方式來尋找最佳的匹配。因此，基于實例的算法常常也被稱為“贏家通吃”學(xué)習(xí)或者“基于記憶的學(xué)習(xí)”。常見的算法包括 k-Nearest Neighbor(KNN), 學(xué)習(xí)矢量量化（Learning Vector Quantization， LVQ），以及自組織映射算法（Self-Organizing Map ， SOM）

8. 正則化方法

正則化方法是其他算法（通常是回歸算法）的延伸，根據(jù)算法的復(fù)雜度對算法進行調(diào)整。正則化方法通常對簡單模型予以獎勵而對復(fù)雜算法予以懲罰。常見的算法包括：Ridge Regression，Least Absolute Shrinkage and Selection Operator（LASSO），以及彈性網(wǎng)絡(luò)（Elastic Net）。

9. 決策樹學(xué)習(xí)

決策樹算法根據(jù)數(shù)據(jù)的屬性采用樹狀結(jié)構(gòu)建立決策模型， 決策樹模型常常用來解決分類和回歸問題。常見的算法包括：分類及回歸樹（Classification And Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 隨機森林（Random Forest）， 多元自適應(yīng)回歸樣條（MARS）以及梯度推進機（Gradient Boosting Machine， GBM）

10. 貝葉斯方法

貝葉斯方法算法是基于貝葉斯定理的一類算法，主要用來解決分類和回歸問題。常見算法包括：樸素貝葉斯算法，平均單依賴估計（Averaged One-Dependence Estimators， AODE），以及Bayesian Belief Network（BBN）。

11. 基于核的算法

基于核的算法中最著名的莫過于支持向量機（SVM）了?；诤说乃惴ò演斎霐?shù)據(jù)映射到一個高階的向量空間， 在這些高階向量空間里， 有些分類或者回歸問題能夠更容易的解決。常見的基于核的算法包括：支持向量機（Support Vector Machine， SVM）， 徑向基函數(shù)（Radial Basis Function ，RBF)， 以及線性判別分析（Linear Discriminate Analysis ，LDA)等

12.聚類算法

聚類，就像回歸一樣，有時候人們描述的是一類問題，有時候描述的是一類算法。聚類算法通常按照中心點或者分層的方式對輸入數(shù)據(jù)進行歸并。所以的聚類算法都試圖找到數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，以便按照最大的共同點將數(shù)據(jù)進行歸類。常見的聚類算法包括 k-Means算法以及期望最大化算法（Expectation Maximization， EM）。

13. 關(guān)聯(lián)規(guī)則學(xué)習(xí)

關(guān)聯(lián)規(guī)則學(xué)習(xí)通過尋找最能夠解釋數(shù)據(jù)變量之間關(guān)系的規(guī)則，來找出大量多元數(shù)據(jù)集中有用的關(guān)聯(lián)規(guī)則。常見算法包括 Apriori算法和Eclat算法等。

14. 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)算法模擬生物神經(jīng)網(wǎng)絡(luò)，是一類模式匹配算法。通常用于解決分類和回歸問題。人工神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)的一個龐大的分支，有幾百種不同的算法。（其中深度學(xué)習(xí)就是其中的一類算法，我們會單獨討論），重要的人工神經(jīng)網(wǎng)絡(luò)算法包括：感知器神經(jīng)網(wǎng)絡(luò)（Perceptron Neural Network）, 反向傳遞（Back Propagation）， Hopfield網(wǎng)絡(luò)，自組織映射（Self-Organizing Map, SOM）。學(xué)習(xí)矢量量化（Learning Vector Quantization， LVQ）

15. 深度學(xué)習(xí)

深度學(xué)習(xí)算法是對人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。在近期贏得了很多關(guān)注， 特別是百度也開始發(fā)力深度學(xué)習(xí)后， 更是在國內(nèi)引起了很多關(guān)注。 在計算能力變得日益廉價的今天，深度學(xué)習(xí)試圖建立大得多也復(fù)雜得多的神經(jīng)網(wǎng)絡(luò)。很多深度學(xué)習(xí)的算法是半監(jiān)督式學(xué)習(xí)算法，用來處理存在少量未標(biāo)識數(shù)據(jù)的大數(shù)據(jù)集。常見的深度學(xué)習(xí)算法包括：受限波爾茲曼機（Restricted Boltzmann Machine， RBN）， Deep Belief Networks（DBN），卷積網(wǎng)絡(luò)（Convolutional Network）, 堆棧式自動編碼器（Stacked Auto-encoders）。

16. 降低維度算法

像聚類算法一樣，降低維度算法試圖分析數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，不過降低維度算法是以非監(jiān)督學(xué)習(xí)的方式試圖利用較少的信息來歸納或者解釋數(shù)據(jù)。這類算法可以用于高維數(shù)據(jù)的可視化或者用來簡化數(shù)據(jù)以便監(jiān)督式學(xué)習(xí)使用。

常見的算法包括：主成份分析（Principle Component Analysis， PCA），偏最小二乘回歸（Partial Least Square Regression，PLS）， Sammon映射，多維尺度（Multi-Dimensional Scaling, MDS）, 投影追蹤（Projection Pursuit）等。

17. 集成算法：

集成算法用一些相對較弱的學(xué)習(xí)模型獨立地就同樣的樣本進行訓(xùn)練，然后把結(jié)果整合起來進行整體預(yù)測。集成算法的主要難點在于究竟集成哪些獨立的較弱的學(xué)習(xí)模型以及如何把學(xué)習(xí)結(jié)果整合起來。

這是一類非常強大的算法，同時也非常流行。常見的算法包括：Boosting， Bootstrapped Aggregation（Bagging）， AdaBoost，堆疊泛化（Stacked Generalization， Blending），梯度推進機（Gradient Boosting Machine, GBM），隨機森林（Random Forest）。

常見機器學(xué)習(xí)算法優(yōu)缺點：

樸素貝葉斯：

1. 如果給出的特征向量長度可能不同，這是需要歸一化為通長度的向量（這里以文本分類為例），比如說是句子單詞的話，則長度為整個詞匯量的長度，對應(yīng)位置是該單詞出現(xiàn)的次數(shù)。

2. 計算公式如下：

其中一項條件概率可以通過樸素貝葉斯條件獨立展開。要注意一點就是的計算方法，而由樸素貝葉斯的前提假設(shè)可知，?=?，因此一般有兩種，一種是在類別為ci的那些樣本集中，找到wj出現(xiàn)次數(shù)的總和，然后除以該樣本的總和；第二種方法是類別為ci的那些樣本集中，找到wj出現(xiàn)次數(shù)的總和，然后除以該樣本中所有特征出現(xiàn)次數(shù)的總和。

3. 如果中的某一項為0，則其聯(lián)合概率的乘積也可能為0，即2中公式的分子為0，為了避免這種現(xiàn)象出現(xiàn)，一般情況下會將這一項初始化為1，當(dāng)然為了保證概率相等，分母應(yīng)對應(yīng)初始化為2（這里因為是2類，所以加2，如果是k類就需要加k，術(shù)語上叫做laplace光滑, 分母加k的原因是使之滿足全概率公式）。

樸素貝葉斯的優(yōu)點：對小規(guī)模的數(shù)據(jù)表現(xiàn)很好，適合多分類任務(wù)，適合增量式訓(xùn)練。

缺點：對輸入數(shù)據(jù)的表達形式很敏感。

決策樹：決策樹中很重要的一點就是選擇一個屬性進行分枝，因此要注意一下信息增益的計算公式，并深入理解它。

信息熵的計算公式如下:

其中的n代表有n個分類類別（比如假設(shè)是2類問題，那么n=2）。分別計算這2類樣本在總樣本中出現(xiàn)的概率p1和p2，這樣就可以計算出未選中屬性分枝前的信息熵。

現(xiàn)在選中一個屬性xi用來進行分枝，此時分枝規(guī)則是：如果xi=vx的話，將樣本分到樹的一個分支；如果不相等則進入另一個分支。很顯然，分支中的樣本很有可能包括2個類別，分別計算這2個分支的熵H1和H2,計算出分枝后的總信息熵H’=p1*H1+p2*H2.，則此時的信息增益ΔH=H-H’。以信息增益為原則，把所有的屬性都測試一邊，選擇一個使增益最大的屬性作為本次分枝屬性。

決策樹的優(yōu)點：計算量簡單，可解釋性強，比較適合處理有缺失屬性值的樣本，能夠處理不相關(guān)的特征；

缺點：容易過擬合（后續(xù)出現(xiàn)了隨機森林，減小了過擬合現(xiàn)象）。

Logistic回歸：Logistic是用來分類的，是一種線性分類器，需要注意的地方有：

1. logistic函數(shù)表達式為：

其導(dǎo)數(shù)形式為：

2. logsitc回歸方法主要是用最大似然估計來學(xué)習(xí)的，所以單個樣本的后驗概率為：

到整個樣本的后驗概率：

其中：

通過對數(shù)進一步化簡為：

3. 其實它的loss function為-l(θ)，因此我們需使loss function最小，可采用梯度下降法得到。梯度下降法公式為:

Logistic回歸優(yōu)點：

1. 實現(xiàn)簡單

2. 分類時計算量非常小，速度很快，存儲資源低；

缺點：

1. 容易欠擬合，一般準(zhǔn)確度不太高

2. 只能處理兩分類問題（在此基礎(chǔ)上衍生出來的softmax可以用于多分類），且必須線性可分；

線性回歸：

線性回歸才是真正用于回歸的，而不像logistic回歸是用于分類，其基本思想是用梯度下降法對最小二乘法形式的誤差函數(shù)進行優(yōu)化，當(dāng)然也可以用normal equation直接求得參數(shù)的解，結(jié)果為：

而在LWLR（局部加權(quán)線性回歸）中，參數(shù)的計算表達式為:

因為此時優(yōu)化的是：

由此可見LWLR與LR不同，LWLR是一個非參數(shù)模型，因為每次進行回歸計算都要遍歷訓(xùn)練樣本至少一次。

線性回歸優(yōu)點：實現(xiàn)簡單，計算簡單；

缺點：不能擬合非線性數(shù)據(jù)；

KNN算法：KNN即最近鄰算法，其主要過程為：

1. 計算訓(xùn)練樣本和測試樣本中每個樣本點的距離（常見的距離度量有歐式距離，馬氏距離等）；

2. 對上面所有的距離值進行排序；

3. 選前k個最小距離的樣本；

4. 根據(jù)這k個樣本的標(biāo)簽進行投票，得到最后的分類類別；

如何選擇一個最佳的K值，這取決于數(shù)據(jù)。一般情況下，在分類時較大的K值能夠減小噪聲的影響。但會使類別之間的界限變得模糊。一個較好的K值可通過各種啟發(fā)式技術(shù)來獲取，比如，交叉驗證。另外噪聲和非相關(guān)性特征向量的存在會使K近鄰算法的準(zhǔn)確性減小。

近鄰算法具有較強的一致性結(jié)果。隨著數(shù)據(jù)趨于無限，算法保證錯誤率不會超過貝葉斯算法錯誤率的兩倍。對于一些好的K值，K近鄰保證錯誤率不會超過貝葉斯理論誤差率。

注：馬氏距離一定要先給出樣本集的統(tǒng)計性質(zhì)，比如均值向量，協(xié)方差矩陣等。關(guān)于馬氏距離的介紹如下：

KNN算法的優(yōu)點：

1. 思想簡單，理論成熟，既可以用來做分類也可以用來做回歸；

2. 可用于非線性分類；

3. 訓(xùn)練時間復(fù)雜度為O(n)；

4. 準(zhǔn)確度高，對數(shù)據(jù)沒有假設(shè)，對outlier不敏感；

缺點：

1. 計算量大；

2. 樣本不平衡問題（即有些類別的樣本數(shù)量很多，而其它樣本的數(shù)量很少）；

3. 需要大量的內(nèi)存；

SVM：

要學(xué)會如何使用libsvm以及一些參數(shù)的調(diào)節(jié)經(jīng)驗，另外需要理清楚svm算法的一些思路：

1. svm中的最優(yōu)分類面是對所有樣本的幾何裕量最大（為什么要選擇最大間隔分類器，請從數(shù)學(xué)角度上說明？網(wǎng)易深度學(xué)習(xí)崗位面試過程中有被問到。答案就是幾何間隔與樣本的誤分次數(shù)間存在關(guān)系：?，其中的分母就是樣本到分類間隔距離，分子中的R是所有樣本中的最長向量值），即：

經(jīng)過一系列推導(dǎo)可得為優(yōu)化下面原始目標(biāo)：

2. 下面來看看拉格朗日理論：

可以將1中的優(yōu)化目標(biāo)轉(zhuǎn)換為拉格朗日的形式（通過各種對偶優(yōu)化，KKD條件），最后目標(biāo)函數(shù)為：

我們只需要最小化上述目標(biāo)函數(shù)，其中的α為原始優(yōu)化問題中的不等式約束拉格朗日系數(shù)。

3. 對2中最后的式子分別w和b求導(dǎo)可得：

由上面第1式子可以知道，如果我們優(yōu)化出了α，則直接可以求出w了，即模型的參數(shù)搞定。而上面第2個式子可以作為后續(xù)優(yōu)化的一個約束條件。

4. 對2中最后一個目標(biāo)函數(shù)用對偶優(yōu)化理論可以轉(zhuǎn)換為優(yōu)化下面的目標(biāo)函數(shù)：

而這個函數(shù)可以用常用的優(yōu)化方法求得α，進而求得w和b。

5. 按照道理，svm簡單理論應(yīng)該到此結(jié)束。不過還是要補充一點，即在預(yù)測時有：

那個尖括號我們可以用核函數(shù)代替，這也是svm經(jīng)常和核函數(shù)扯在一起的原因。

6. 最后是關(guān)于松弛變量的引入，因此原始的目標(biāo)優(yōu)化公式為：

此時對應(yīng)的對偶優(yōu)化公式為：

與前面的相比只是α多了個上界。

SVM算法優(yōu)點：

1. 可用于線性/非線性分類，也可以用于回歸；

2. 低泛化誤差；

3. 容易解釋；

4. 計算復(fù)雜度較低；

缺點：

1. 對參數(shù)和核函數(shù)的選擇比較敏感；

2. 原始的SVM只比較擅長處理二分類問題；

Boosting：

主要以Adaboost為例，首先來看看Adaboost的流程圖，如下：

從圖中可以看到，在訓(xùn)練過程中我們需要訓(xùn)練出多個弱分類器（圖中為3個），每個弱分類器是由不同權(quán)重的樣本（圖中為5個訓(xùn)練樣本）訓(xùn)練得到（其中第一個弱分類器對應(yīng)輸入樣本的權(quán)值是一樣的），而每個弱分類器對最終分類結(jié)果的作用也不同，是通過加權(quán)平均輸出的，權(quán)值見上圖中三角形里面的數(shù)值。那么這些弱分類器和其對應(yīng)的權(quán)值是怎樣訓(xùn)練出來的呢？

下面通過一個例子來簡單說明，假設(shè)的是5個訓(xùn)練樣本，每個訓(xùn)練樣本的維度為2，在訓(xùn)練第一個分類器時5個樣本的權(quán)重各為0.2. 注意這里樣本的權(quán)值和最終訓(xùn)練的弱分類器組對應(yīng)的權(quán)值α是不同的，樣本的權(quán)重只在訓(xùn)練過程中用到，而α在訓(xùn)練過程和測試過程都有用到。

現(xiàn)在假設(shè)弱分類器是帶一個節(jié)點的簡單決策樹，該決策樹會選擇2個屬性（假設(shè)只有2個屬性）的一個，然后計算出這個屬性中的最佳值用來分類。

Adaboost的簡單版本訓(xùn)練過程如下：

1. 訓(xùn)練第一個分類器，樣本的權(quán)值D為相同的均值。通過一個弱分類器，得到這5個樣本（請對應(yīng)書中的例子來看，依舊是machine learning in action）的分類預(yù)測標(biāo)簽。與給出的樣本真實標(biāo)簽對比，就可能出現(xiàn)誤差(即錯誤)。如果某個樣本預(yù)測錯誤，則它對應(yīng)的錯誤值為該樣本的權(quán)重，如果分類正確，則錯誤值為0. 最后累加5個樣本的錯誤率之和，記為ε。

2. 通過ε來計算該弱分類器的權(quán)重α，公式如下：

3. 通過α來計算訓(xùn)練下一個弱分類器樣本的權(quán)重D，如果對應(yīng)樣本分類正確，則減小該樣本的權(quán)重，公式為：

如果樣本分類錯誤，則增加該樣本的權(quán)重，公式為：

4. 循環(huán)步驟1,2,3來繼續(xù)訓(xùn)練多個分類器，只是其D值不同而已。

測試過程如下：

輸入一個樣本到訓(xùn)練好的每個弱分類中，則每個弱分類都對應(yīng)一個輸出標(biāo)簽，然后該標(biāo)簽乘以對應(yīng)的α，最后求和得到值的符號即為預(yù)測標(biāo)簽值。

Boosting算法的優(yōu)點：

1. 低泛化誤差；

2. 容易實現(xiàn)，分類準(zhǔn)確率較高，沒有太多參數(shù)可以調(diào)；

3. 缺點：

4. 對outlier比較敏感；

聚類：

根據(jù)聚類思想劃分：

1. 基于劃分的聚類:

K-means, k-medoids(每一個類別中找一個樣本點來代表),CLARANS.

k-means是使下面的表達式值最小：

k-means算法的優(yōu)點：

（1）k-means算法是解決聚類問題的一種經(jīng)典算法，算法簡單、快速。

（2）對處理大數(shù)據(jù)集，該算法是相對可伸縮的和高效率的，因為它的復(fù)雜度大約是O(nkt)，其中n是所有對象的數(shù)目，k是簇的數(shù)目,t是迭代的次數(shù)。通常k<

（3）算法嘗試找出使平方誤差函數(shù)值最小的k個劃分。當(dāng)簇是密集的、球狀或團狀的，且簇與簇之間區(qū)別明顯時，聚類效果較好。

缺點：

（1）k-平均方法只有在簇的平均值被定義的情況下才能使用，且對有些分類屬性的數(shù)據(jù)不適合。

（2）要求用戶必須事先給出要生成的簇的數(shù)目k。

（3）對初值敏感，對于不同的初始值，可能會導(dǎo)致不同的聚類結(jié)果。

（4）不適合于發(fā)現(xiàn)非凸面形狀的簇，或者大小差別很大的簇。

（5）對于"噪聲"和孤立點數(shù)據(jù)敏感，少量的該類數(shù)據(jù)能夠?qū)ζ骄诞a(chǎn)生極大影響。

2. 基于層次的聚類：

自底向上的凝聚方法，比如AGNES。

自上向下的分裂方法，比如DIANA。

3. 基于密度的聚類：DBSACN,OPTICS,BIRCH(CF-Tree),CURE.

4. 基于網(wǎng)格的方法：STING, WaveCluster.

5. 基于模型的聚類：EM,SOM,COBWEB.

推薦系統(tǒng)：推薦系統(tǒng)的實現(xiàn)主要分為兩個方面：基于內(nèi)容的實現(xiàn)和協(xié)同濾波的實現(xiàn)。

基于內(nèi)容的實現(xiàn)：不同人對不同電影的評分這個例子，可以看做是一個普通的回歸問題，因此每部電影都需要提前提取出一個特征向量(即x值)，然后針對每個用戶建模，即每個用戶打的分值作為y值，利用這些已有的分值y和電影特征值x就可以訓(xùn)練回歸模型了(最常見的就是線性回歸)。

這樣就可以預(yù)測那些用戶沒有評分的電影的分?jǐn)?shù)。（值得注意的是需對每個用戶都建立他自己的回歸模型）

從另一個角度來看，也可以是先給定每個用戶對某種電影的喜好程度（即權(quán)值），然后學(xué)出每部電影的特征，最后采用回歸來預(yù)測那些沒有被評分的電影。

當(dāng)然還可以是同時優(yōu)化得到每個用戶對不同類型電影的熱愛程度以及每部電影的特征。

基于協(xié)同濾波的實現(xiàn)：協(xié)同濾波（CF）可以看做是一個分類問題，也可以看做是矩陣分解問題。協(xié)同濾波主要是基于每個人自己的喜好都類似這一特征，它不依賴于個人的基本信息。

比如剛剛那個電影評分的例子中，預(yù)測那些沒有被評分的電影的分?jǐn)?shù)只依賴于已經(jīng)打分的那些分?jǐn)?shù)，并不需要去學(xué)習(xí)那些電影的特征。

SVD將矩陣分解為三個矩陣的乘積，公式如下所示：

中間的矩陣sigma為對角矩陣，對角元素的值為Data矩陣的奇異值(注意奇異值和特征值是不同的)，且已經(jīng)從大到小排列好了。即使去掉特征值小的那些特征，依然可以很好的重構(gòu)出原始矩陣。如下圖所示：

其中更深的顏色代表去掉小特征值重構(gòu)時的三個矩陣。

果m代表商品的個數(shù)，n代表用戶的個數(shù)，則U矩陣的每一行代表商品的屬性，現(xiàn)在通過降維U矩陣（取深色部分）后，每一個商品的屬性可以用更低的維度表示（假設(shè)為k維）。這樣當(dāng)新來一個用戶的商品推薦向量X，則可以根據(jù)公式X'*U1*inv(S1)得到一個k維的向量，然后在V’中尋找最相似的那一個用戶（相似度測量可用余弦公式等），根據(jù)這個用戶的評分來推薦（主要是推薦新用戶未打分的那些商品）。

pLSA：由LSA發(fā)展過來，而早期LSA的實現(xiàn)主要是通過SVD分解。pLSA的模型圖如下

公式中的意義如下：

LDA主題模型，概率圖如下：

和pLSA不同的是LDA中假設(shè)了很多先驗分布，且一般參數(shù)的先驗分布都假設(shè)為Dirichlet分布，其原因是共軛分布時先驗概率和后驗概率的形式相同。

GDBT：GBDT(Gradient Boosting Decision Tree)又叫 MART（Multiple Additive Regression Tree)，好像在阿里內(nèi)部用得比較多（所以阿里算法崗位面試時可能會問到），它是一種迭代的決策樹算法，該算法由多棵決策樹組成，所有樹的輸出結(jié)果累加起來就是最終答案。

它在被提出之初就和SVM一起被認(rèn)為是泛化能力（generalization)較強的算法。近些年更因為被用于搜索排序的機器學(xué)習(xí)模型而引起大家關(guān)注。

GBDT是回歸樹，不是分類樹。其核心就在于，每一棵樹是從之前所有樹的殘差中來學(xué)習(xí)的。為了防止過擬合，和Adaboosting一樣，也加入了boosting這一項。

Regularization作用是

1. 數(shù)值上更容易求解；

2. 特征數(shù)目太大時更穩(wěn)定；

3. 控制模型的復(fù)雜度，光滑性。復(fù)雜性越小且越光滑的目標(biāo)函數(shù)泛化能力越強。而加入規(guī)則項能使目標(biāo)函數(shù)復(fù)雜度減小，且更光滑。

4. 減小參數(shù)空間；參數(shù)空間越小，復(fù)雜度越低。

5. 系數(shù)越小，模型越簡單，而模型越簡單則泛化能力越強（Ng宏觀上給出的解釋）。

6. 可以看成是權(quán)值的高斯先驗。

異常檢測：可以估計樣本的密度函數(shù)，對于新樣本直接計算其密度，如果密度值小于某一閾值，則表示該樣本異常。而密度函數(shù)一般采用多維的高斯分布。

如果樣本有n維，則每一維的特征都可以看作是符合高斯分布的，即使這些特征可視化出來不太符合高斯分布，也可以對該特征進行數(shù)學(xué)轉(zhuǎn)換讓其看起來像高斯分布，比如說x=log(x+c), x=x^(1/c)等。異常檢測的算法流程如下：

其中的ε也是通過交叉驗證得到的，也就是說在進行異常檢測時，前面的p(x)的學(xué)習(xí)是用的無監(jiān)督，后面的參數(shù)ε學(xué)習(xí)是用的有監(jiān)督。那么為什么不全部使用普通有監(jiān)督的方法來學(xué)習(xí)呢（即把它看做是一個普通的二分類問題）？

主要是因為在異常檢測中，異常的樣本數(shù)量非常少而正常樣本數(shù)量非常多，因此不足以學(xué)習(xí)到好的異常行為模型的參數(shù)，因為后面新來的異常樣本可能完全是與訓(xùn)練樣本中的模式不同。

EM算法：有時候因為樣本的產(chǎn)生和隱含變量有關(guān)（隱含變量是不能觀察的），而求模型的參數(shù)時一般采用最大似然估計，由于含有了隱含變量，所以對似然函數(shù)參數(shù)求導(dǎo)是求不出來的，這時可以采用EM算法來求模型的參數(shù)的（對應(yīng)模型參數(shù)個數(shù)可能有多個），

EM算法一般分為2步：

E步：選取一組參數(shù)，求出在該參數(shù)下隱含變量的條件概率值；

M步：結(jié)合E步求出的隱含變量條件概率，求出似然函數(shù)下界函數(shù)（本質(zhì)上是某個期望函數(shù)）的最大值。

重復(fù)上面2步直至收斂，公式如下所示：

M步公式中下界函數(shù)的推導(dǎo)過程：

EM算法一個常見的例子就是GMM模型，每個樣本都有可能由k個高斯產(chǎn)生，只不過由每個高斯產(chǎn)生的概率不同而已，因此每個樣本都有對應(yīng)的高斯分布（k個中的某一個），此時的隱含變量就是每個樣本對應(yīng)的某個高斯分布。

GMM的E步公式如下（計算每個樣本對應(yīng)每個高斯的概率）：

更具體的計算公式為：

M步公式如下（計算每個高斯的比重，均值，方差這3個參數(shù)）：

Apriori是關(guān)聯(lián)分析中比較早的一種方法，主要用來挖掘那些頻繁項集合。其思想是：

1. 如果一個項目集合不是頻繁集合，那么任何包含它的項目集合也一定不是頻繁集合；

2. 如果一個項目集合是頻繁集合，那么它的任何非空子集也是頻繁集合；

Aprioir需要掃描項目表多遍，從一個項目開始掃描，舍去掉那些不是頻繁的項目，得到的集合稱為L，然后對L中的每個元素進行自組合，生成比上次掃描多一個項目的集合，該集合稱為C，接著又掃描去掉那些非頻繁的項目，重復(fù)…

看下面這個例子，元素項目表格：

如果每個步驟不去掉非頻繁項目集，則其掃描過程的樹形結(jié)構(gòu)如下：

在其中某個過程中，可能出現(xiàn)非頻繁的項目集，將其去掉（用陰影表示）為：

FP Growth是一種比Apriori更高效的頻繁項挖掘方法，它只需要掃描項目表2次。其中第1次掃描獲得當(dāng)個項目的頻率，去掉不符合支持度要求的項，并對剩下的項排序。第2遍掃描是建立一顆FP-Tree(frequent-patten tree)。

接下來的工作就是在FP-Tree上進行挖掘，比如說有下表：

它所對應(yīng)的FP_Tree如下：

然后從頻率最小的單項P開始，找出P的條件模式基，用構(gòu)造FP_Tree同樣的方法來構(gòu)造P的條件模式基的FP_Tree，在這棵樹上找出包含P的頻繁項集。

依次從m,b,a,c,f的條件模式基上挖掘頻繁項集，有些項需要遞歸的去挖掘，比較麻煩，比如m節(jié)點。

責(zé)任編輯：lq