吐血整理：关于机器学习不可不知的15个概念

爱被打了一巴掌 2022-10-06 12:57 264阅读 0赞

**导读：**本文介绍不同类型的机器学习方法，以及模型评估的相关概念。

作者：布奇·昆托（Butch Quinto）

来源：大数据DT（ID：hzdashuju）

![9fcdc75cf87eec3d130947fc60a61642.png][]

**01 有监督学习**

有监督学习是利用训练数据集进行预测的机器学习任务。有监督学习可以分为**分类**和**回归**。回归用于预测“价格”“温度”或“距离”等连续值，而分类用于预测“是”或“否”、“垃圾邮件”或“非垃圾邮件”、“恶性”或“良性”等类别。

分类包含三种类型的分类任务：**二元分类**、**多类别分类**和**多标签分类**。回归中包含线性回归和生存回归。

**02 无监督学习**

无监督学习是一种机器学习任务，它在不需要标记响应的情况下发现数据集中隐藏的模式和结构。当你只能访问输入数据，而训练数据不可用或难以获取时，无监督学习是理想的选择。常用的方法包括聚类、主题建模、异常检测、推荐和主成分分析。

**03 半监督学习**

在某些情况下，获取标记数据是昂贵且耗时的。在响应标记很少的情况下，半监督学习结合有监督和无监督学习技术进行预测。在半监督学习中，利用未标记数据对标记数据进行扩充以提高模型准确率。

**04 强化学习**

强化学习试图通过不断从尝试的过程和错误的结果来进行学习，确定哪种行为能带来最大的回报。强化学习有三个组成部分：智能体（决策者或学习者）、环境（智能体与之交互的内容）和行为（智能体可以执行的内容）。这类学习通常用于游戏、导航和机器人技术。

**05 深度学习**

深度学习是机器学习和人工智能的一个分支，它使用深度的、多层的人工神经网络。最近人工智能领域的许多突破都归功于深度学习。

![2a58d9d464c2dfab56ca2796664f49fb.png][]

**06 神经网络**

神经网络是一类类似于人脑中相互连接的神经元的算法。一个神经网络包含多层结构，每一层由相互连接的节点组成。通常有一个输入层、一个或多个隐藏层和一个输出层。

**07 卷积神经网络**

卷积神经网络（convnet或CNN）是一种特别擅长分析图的神经网络（尽管它们也可以应用于音频和文本数据）。卷积神经网络各层中的神经元按高度、宽度和深度三个维度排列。我将在第7章更详细地介绍深度学习和深度卷积神经网络。

**08 模型评估**

在分类中，每个数据点都有一个已知的标签和一个模型生成的预测类别。通过比较已知的标签和预测类别为每个数据点进行划分，结果可以分为四个类别：

*  **真阳性**（TP），预测类别和标签均为阳性；
 *  **真阴性**（TN），预测类别和标签均为阴性；
 *  **假阳性**（FP），预测类别为阳性但标签为阴性；
 *  **假阴性**（FN），预测类别为阴性但标签为阳性。

这四个值构成了大多数分类任务评估指标的基础。它们通常在一个叫作**混淆矩阵**的表格中呈现（如表1-1）。

▼表1-1 混淆矩阵

![c3a13ad8e7daf1231d4100a6aa4552d8.png][]

**09 准确率**

准确率是分类模型的一个评估指标。它定义为正确预测数除以预测总数。

![91e19d763fe1473ddf65187c061be48c.png][]

在数据集不平衡的情况下，准确率不是理想的指标。举例说明，假设一个分类任务有90个阴性和10个阳性样本；将所有样本分类为阴性会得到0.90的准确率分数。精度和召回率是评估用例不平衡数据的训练模型的较好指标。

**10 精度**

精度定义为真阳性数除以真阳性数加上假阳性数的和。精度表明当模型的预测为阳性时，模型正确的概率。例如，如果你的模型预测了100个癌症的发生，但是其中10个是错误的预测，那么你的模型的精度是90%。在假阳性较高的情况下，精度是一个很好的指标。

![4f3538cf8e3c9c3b25b6d5f3f3967072.png][]

**11 召回率**

召回率是一个很好的指标，可用于假阴性较高的情况。召回率的定义是真阳性数除以真阳性数加上假阴性数的和。

![1751247749a7a173e7b82034f092da3f.png][]

**12 F1度量**

F1度量或F1分数是精度和召回率的调和平均值或加权平均值。它是评估多类别分类器的常用性能指标。在类别分布不均的情况下，这也是一个很好的度量。最好的F1分数是1，而最差的分数是0。一个好的F1度量意味着你有较低的假阴性和较低的假阳性。F1度量定义如下：

![e2623def0595387165c36713062b1a6e.png][]

**13 AUROC**

接收者操作特征曲线下面积（AUROC）是评估二元分类器性能的常用指标。接收者操作特征曲线（ROC）是依据真阳性率与假阳性率绘制的图。曲线下面积（AUC）是ROC曲线下的面积。

在对随机阳性样本和随机阴性样本进行预测时，将阳性样本预测为阳性的概率假设为P0，将阴性样本预测为阳性的概率假设为P1，AUC就是P0大于P1的概率。曲线下的面积越大（AUROC越接近1.0），模型的性能越好。AUROC为0.5的模型是无用的，因为它的预测准确率和随机猜测的准确率一样。

![fe1ad91f655500e5096841b722c11658.png][]

**14 过拟合与欠拟合**

模型性能差是由过拟合或欠拟合引起的。

**过拟合**是指一个模型太适合训练数据。过拟合的模型在训练数据上表现良好，但在新的、看不见的数据上表现较差。

过拟合的反面是**欠拟合**。由于拟合不足，模型过于简单，没有学习训练数据集中的相关模式，这可能是因为模型被过度规范化或需要更长时间的训练。

模型能够很好地适应新的、看不见的数据，这种能力被称为**泛化**。这是每个模型优化练习的目标。

**防止过拟合**的几种方法包括使用更多的数据或特征子集、交叉验证、删除、修剪、提前停止和正则化。对于深度学习，数据增强是一种常见的正则化形式。

为了**减少欠拟合**，建议选择添加更多相关的特征。对于深度学习，考虑在一个层中添加更多的节点或在神经网络中添加更多的层，以增加模型的容量。

**15 模型选择**

模型选择包括评估拟合的机器学习模型，并尝试用用户指定的超参数组合来拟合底层估计器，再输出最佳模型。通过使用Spark MLlib，模型选择由CrossValidator和TrainValidationSplit估计器执行。

**CrossValidator**对超参数调整和模型选择执行k-fold交叉验证和网格搜索。它将数据集分割成一组随机的、不重叠的分区，作为训练和测试数据集。例如，如果k=3，k-fold交叉验证将生成3对训练和测试数据集（每一对仅用作一次测试数据集），其中每一对使用2/3作为训练数据，1/3用于测试。

**TrainValidationSplit**是用于超参数组合的另一种估计器。与k-fold交叉验证（这是一个昂贵的操作）相反，TrainValidationSplit只对每个参数组合求值一次，而不是k次。

关于作者：布奇·昆托（Butch Quinto），在银行与金融、电信、政府部门、公共事业、交通运输、电子商务、零售业、制造业和生物信息学等多个行业拥有20多年的技术和领导经验。他是Next-Generation Big Data（Apress，2018）的作者，也是人工智能促进协会（AAAI）和美国科学促进会（AAAS）的成员。

本文摘编自《基于Spark的下一代机器学习》，经出版方授权发布。

![7c9b1d86778b7d072261c920da14d46b.png][]

延伸阅读《基于Spark的下一代机器学习》

点击上图了解及购买

转载请联系微信：DoctorData

**推荐语：**本书先简单介绍了Spark和Spark MLlib，然后介绍标准Spark MLlib库之外的更强大的第三方机器学习算法和库。通过阅读本书，你将能够通过几十个实际的例子和深刻的解释，将所学到的知识应用到真实世界的用例。

![音符][14ca2531ba5f963406bae4c12c24b5a6.gif]

**划重点????**

**干货直达????**

*  [最新！全球学术排名出炉：22所中国大学位居世界100强][22_100]  
    
 *  [制作PPT的7条黄金法则][PPT_7]  
    
 *  [手把手教你用ECharts画散点图和气泡图][ECharts]
 *  [任正非：芯片砸钱不行，得砸数学家！这些经典教材你最需要！][Link 1]

**更多精彩****????**

在公众号对话框输入以下**关键词**

查看更多优质内容！

**PPT** | **读书** | **书单** | **硬核** | **干货**** **| **讲明白 **|** 神操作**

**大数据** | **云计算** | **数据库** | **Python** | **爬虫** | **可视化**

**AI** | **人工智能** | **机器学习** | **深度学习** | **NLP**

**5G**** **|** 中台 **|** 用户画像**** **| **1024** | **数学 **|** 算法 **| **数字孪生**

据统计，99%的大咖都关注了这个公众号

**????**

[9fcdc75cf87eec3d130947fc60a61642.png]: /images/20221005/831233b04e6a438e93326646eb548b6b.png
[2a58d9d464c2dfab56ca2796664f49fb.png]: /images/20221005/9405f7ab75764b1eae57e0e5025790f8.png
[c3a13ad8e7daf1231d4100a6aa4552d8.png]: /images/20221005/7435e677d953496ea0ef164557539a97.png
[91e19d763fe1473ddf65187c061be48c.png]: /images/20221005/901d06ac3fec4145bf5700bf0f423896.png
[4f3538cf8e3c9c3b25b6d5f3f3967072.png]: /images/20221005/a412cd189ab8483d81f2130533719b69.png
[1751247749a7a173e7b82034f092da3f.png]: /images/20221005/4ff26674195a4033bf48d1968e52b8ff.png
[e2623def0595387165c36713062b1a6e.png]: /images/20221005/75e0b88c9556421fbcd782dc1c2222d3.png
[fe1ad91f655500e5096841b722c11658.png]: /images/20221005/938a8c96f4154995a4514200d04836ce.png
[7c9b1d86778b7d072261c920da14d46b.png]: /images/20221005/8a26fc716b2e4f668e9371965754f561.png
[14ca2531ba5f963406bae4c12c24b5a6.gif]: /images/20221005/4b1a0f2d959345d2962234ea74613d7c.png
[22_100]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8c32f9dbfbbbef3faf3f8fc77d0671c6cd417bfe5830b7d7d785de86fbe471b876c7b3ade4&idx=1&mid=2247531285&scene=21&sn=de2bb44e07b8668ef4e51b950e0057c9#wechat_redirect
[PPT_7]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8c3335dbfbba239cb2d01af26d46d7bc1fcb587b15261d7142e2e7bd85ac05b9d12d06275c&idx=2&mid=2247531225&scene=21&sn=d8d3111d62fcf58899d92269906c5b84#wechat_redirect
[ECharts]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8c3382dbfbba94cc38b4060d5d960ccb1c5cd512c0b40194d9ca6d529920842c24638d890d&idx=2&mid=2247531118&scene=21&sn=ae696ea8bb138a2fcfb777f5789fdcaa#wechat_redirect
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8c3381dbfbba978207d8e927479cfee3315b0871a1bef36ee05da43b5154a700df53ce20ea&idx=2&mid=2247531117&scene=21&sn=f5dd6f00bdc15270c8069c8493e91e42#wechat_redirect