通過本篇文章可以對ML的常用算法有個常識性的認(rèn)識，沒有代碼，沒有復(fù)雜的理論推導(dǎo)，就是圖解一下，知道這些算法是什么，它們是怎么應(yīng)用的，例子主要是分類問題。

每個算法都看了好幾個視頻，挑出講的最清晰明了有趣的，便于科普。 以后有時間再對單個算法做深入地解析。

今天的算法如下：

1. 決策樹

2. 隨機(jī)森林算法

3. 邏輯回歸

4. SVM

5. 樸素貝葉斯

6. K最近鄰算法

7. K均值算法

8. Adaboost算法

9. 神經(jīng)網(wǎng)絡(luò)

10. 馬爾可夫

1.  決策樹

根據(jù)一些 feature 進(jìn)行分類，每個節(jié)點提一個問題，通過判斷，將數(shù)據(jù)分為兩類，再繼續(xù)提問。這些問題是根據(jù)已有數(shù)據(jù)學(xué)習(xí)出來的，再投入新數(shù)據(jù)的時候，就可以根據(jù)這棵樹上的問題，將數(shù)據(jù)劃分到合適的葉子上。

2、隨機(jī)森林

在源數(shù)據(jù)中隨機(jī)選取數(shù)據(jù)，組成幾個子集：

S矩陣是源數(shù)據(jù)，有1-N條數(shù)據(jù)，A、B、C 是feature，最后一列C是類別：

由S隨機(jī)生成M個子矩陣：

這M個子集得到 M 個決策樹：
將新數(shù)據(jù)投入到這M個樹中，得到M個分類結(jié)果，計數(shù)看預(yù)測成哪一類的數(shù)目最多，就將此類別作為最后的預(yù)測結(jié)果。

3、邏輯回歸

當(dāng)預(yù)測目標(biāo)是概率這樣的，值域需要滿足大于等于0，小于等于1的，這個時候單純的線性模型是做不到的，因為在定義域不在某個范圍之內(nèi)時，值域也超出了規(guī)定區(qū)間。

所以此時需要這樣的形狀的模型會比較好：

那么怎么得到這樣的模型呢？

這個模型需要滿足兩個條件 “大于等于0”，“小于等于1” 
大于等于0 的模型可以選擇絕對值，平方值，這里用指數(shù)函數(shù)，一定大于0；
小于等于1 用除法，分子是自己，分母是自身加上1，那一定是小于1的了。

再做一下變形，就得到了 logistic regressions 模型：

通過源數(shù)據(jù)計算可以得到相應(yīng)的系數(shù)了：

最后得到 logistic 的圖形：

4、SVM

要將兩類分開，想要得到一個超平面，最優(yōu)的超平面是到兩類的 margin 達(dá)到最大，margin就是超平面與離它最近一點的距離，如下圖，Z2>Z1，所以綠色的超平面比較好。

將這個超平面表示成一個線性方程，在線上方的一類，都大于等于1，另一類小于等于－1：

點到面的距離根據(jù)圖中的公式計算：

所以得到total margin的表達(dá)式如下，目標(biāo)是最大化這個margin，就需要最小化分母，于是變成了一個優(yōu)化問題：

舉個例子，三個點，找到最優(yōu)的超平面，定義了 weight vector＝（2，3）－（1，1）：

得到weight vector為（a，2a），將兩個點代入方程，代入（2，3）另其值＝1，代入（1，1）另其值＝-1，求解出 a 和 截矩 w0 的值，進(jìn)而得到超平面的表達(dá)式。

a求出來后，代入（a，2a）得到的就是support vector，

a和w0代入超平面的方程就是support vector machine。

5、樸素貝葉斯

舉個在 NLP 的應(yīng)用：

給一段文字，返回情感分類，這段文字的態(tài)度是positive，還是negative：

為了解決這個問題，可以只看其中的一些單詞：

這段文字，將僅由一些單詞和它們的計數(shù)代表：

原始問題是：給你一句話，它屬于哪一類 ？
通過bayes rules變成一個比較簡單容易求得的問題：

問題變成，這一類中這句話出現(xiàn)的概率是多少，當(dāng)然，別忘了公式里的另外兩個概率。

例子：單詞“l(fā)ove”在positive的情況下出現(xiàn)的概率是 0.1，在negative的情況下出現(xiàn)的概率是0.001。

6、K最近臨算法

給一個新的數(shù)據(jù)時，離它最近的 k 個點中，哪個類別多，這個數(shù)據(jù)就屬于哪一類。

例子：要區(qū)分“貓”和“狗”，通過“claws”和“sound”兩個feature來判斷的話，圓形和三角形是已知分類的了，那么這個“star”代表的是哪一類呢？

k＝3時，這三條線鏈接的點就是最近的三個點，那么圓形多一些，所以這個star就是屬于貓。

7、K均值算法

先要將一組數(shù)據(jù)，分為三類，粉色數(shù)值大，黃色數(shù)值小 。
最開始先初始化，這里面選了最簡單的 3，2，1 作為各類的初始值 。
剩下的數(shù)據(jù)里，每個都與三個初始值計算距離，然后歸類到離它最近的初始值所在類別。

分好類后，計算每一類的平均值，作為新一輪的中心點：

幾輪之后，分組不再變化了，就可以停止了：

8、Adaboost 

adaboost 是 bosting 的方法之一。

bosting就是把若干個分類效果并不好的分類器綜合起來考慮，會得到一個效果比較好的分類器。

下圖，左右兩個決策樹，單個看是效果不怎么好的，但是把同樣的數(shù)據(jù)投入進(jìn)去，把兩個結(jié)果加起來考慮，就會增加可信度。

adaboost 的例子，手寫識別中，在畫板上可以抓取到很多 features，例如始點的方向，始點和終點的距離等等。

training的時候，會得到每個feature的weight，例如2和3的開頭部分很像，這個feature對分類起到的作用很小，它的權(quán)重也就會較小。

而這個alpha角就具有很強(qiáng)的識別性，這個feature的權(quán)重就會較大，最后的預(yù)測結(jié)果是綜合考慮這些feature的結(jié)果。

9、網(wǎng)絡(luò)神經(jīng)

Neural Networks適合一個input可能落入至少兩個類別里：

NN由若干層神經(jīng)元，和它們之間的聯(lián)系組成。 
第一層是input層，最后一層是output層。

在hidden層和output層都有自己的classifier。

input輸入到網(wǎng)絡(luò)中，被激活，計算的分?jǐn)?shù)被傳遞到下一層，激活后面的神經(jīng)層，最后output層的節(jié)點上的分?jǐn)?shù)代表屬于各類的分?jǐn)?shù)，下圖例子得到分類結(jié)果為class 1；

同樣的input被傳輸?shù)讲煌墓?jié)點上，之所以會得到不同的結(jié)果是因為各自節(jié)點有不同的weights 和bias，這也就是forward propagation。

10、馬爾可夫

Markov Chains 由state和transitions組成。

例子，根據(jù)這一句話 ‘the quick brown fox jumps over the lazy dog’，要得到markov chains。

步驟，先給每一個單詞設(shè)定成一個狀態(tài)，然后計算狀態(tài)間轉(zhuǎn)換的概率。

這是一句話計算出來的概率，當(dāng)你用大量文本去做統(tǒng)計的時候，會得到更大的狀態(tài)轉(zhuǎn)移矩陣，例如the后面可以連接的單詞，及相應(yīng)的概率。

生活中，鍵盤輸入法的備選結(jié)果也是一樣的原理，模型會更高級。