机器学习相关知识

偏执的太偏执、 2022-09-04 10:58 227阅读 0赞

机器学习可以分为监督学习和无监督学习两种。

## 1.监督学习 ##

监督学习可以分为回归或者分类问题。  
对于希望预测的值是连续值，一般是回归问题。  
对于希望预测的值是离散值，一般是分类问题。  
回归问题：线性回归等  
分类问题：逻辑回归等  
**逻辑回归**  
*下图所示是sigmod函数图，sigmod函数的输出在0-1之间，输出代表预测的概率。*  
![sigmod函数（又称逻辑函数）][sigmod]*如图所示是逻辑回归的梯度下降过程*  
![逻辑回归的梯度下降过程][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0NDExNjAx_size_16_color_FFFFFF_t_70]  
**多元分类**  
如图所示是多元分类的示意图，其中在进行多元分类时，将问题转换为二元分类问题。构建一个伪训练集，选择一类为正类，将剩余的样本作为负类。  
最终在预测时，选择每一个分类器对应的正类的概率中最大的那个。  
![多元分类示意图][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0NDExNjAx_size_16_color_FFFFFF_t_70 1]  
**过拟合问题**  
对于过拟合问题，解决的方法有两种。

1.  第一种是减少特征的数量  
    1）人工去选择一些特征去除  
    2）使用模型选择算法自动去选择特征
2.  第二种方式是进行正则化

## 2.无监督学习 ##

聚类算法

## 3.代价函数 ##

机器学习的目的是更好的拟合数据，那么这里就需要使得代价函数变小，这样就可以去很好的拟合函数。  
通过使得代价函数变小，我们可以一步步得到函数的参数值。  
参数值的求解的两种方法，一种是梯度下降法，一种是正规方程法。  
梯度下降法是通过朝着梯度下降最快的方向，一步步逼近代价函数的最低点。这个方法需要迭代。  
正规方程法可以通过直接求解，来求取使得代价函数最小时的拟合函数的参数值。但是在遇到参数过多时不宜使用。  
ps:使用正规方程法如果遇到XTX是不可逆的情况。  
这里分为两种情况。第一种是选取的特征中存在线性相关的情况，也就是存在冗余特征，导致不可逆；第二种情况是选取的样本数远远小于特征的数量。

[sigmod]: /images/20220829/fc2f1a73dd7a4a37a865f9136e1007d3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0NDExNjAx_size_16_color_FFFFFF_t_70]: /images/20220829/b9dd7cf983804ecbb3f2d8b42b6959fc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0NDExNjAx_size_16_color_FFFFFF_t_70 1]: /images/20220829/7205d74fb30e411483994d6c33f364a1.png