揭穿機(jī)器學(xué)習(xí)“皇帝的新裝”
我們常把機(jī)器學(xué)習(xí)描述為一種使用數(shù)據(jù)模式標(biāo)記事物的神奇技術(shù)。聽起來艱澀，但事實(shí)上，撥開層層概念，機(jī)器學(xué)習(xí)的核心簡(jiǎn)單到令人尷尬。
本文將用一個(gè)葡萄酒是不是好喝的例子，讓你迅速了解整個(gè)機(jī)器學(xué)習(xí)的技術(shù)過程。
數(shù)據(jù)
想象我們品嘗了50種葡萄酒，并且為了方便展示，我在下面進(jìn)行了數(shù)據(jù)可視化。每款酒的數(shù)據(jù)包括年份、分?jǐn)?shù)，再加上我們想學(xué)的特征：Y代表好喝，N代表不好喝。
上圖的左側(cè)是表格模式，有圖展示信息的方式更加友好。如果你想要使用數(shù)據(jù)集術(shù)語，比如特性和實(shí)例，來描述這些數(shù)據(jù)，以下是一個(gè)指南。
算法
通過選擇要使用的機(jī)器學(xué)習(xí)算法，我們可以得到我們想要的輸出。在這個(gè)問題中，算法的全部工作就是把上圖中紅色的東西和藍(lán)色的東西分開。
機(jī)器學(xué)習(xí)算法的目的是在數(shù)據(jù)中選擇最合理的位置設(shè)置邊界。
如果你想劃一條線，恭喜你!你剛剛發(fā)明了一個(gè)叫作感知器機(jī)器學(xué)習(xí)算法。是的，這么科幻的名字描述的其實(shí)是一種非常簡(jiǎn)單的概念!隨著學(xué)習(xí)的深入，你會(huì)發(fā)現(xiàn)被機(jī)器學(xué)習(xí)中的術(shù)語所嚇到稀松平常，但它們的內(nèi)涵通常都配不上這個(gè)名字的復(fù)雜度。
如果是你，你將如何分開藍(lán)色和紅色?
可能你會(huì)說一條平直的線就夠了。但我們的目標(biāo)是把Y和N分開，而不是裝飾性的地平線。
機(jī)器學(xué)習(xí)算法的目的是選擇最合理的位置設(shè)置邊界，這是由據(jù)點(diǎn)到達(dá)的位置來決定的。但它是怎么做到的呢?一般來說，是通過優(yōu)化一個(gè)目標(biāo)函數(shù)。
優(yōu)化
如果計(jì)劃給自己的博客文章做優(yōu)化，我們可以這樣想：目標(biāo)函數(shù)就像棋盤游戲得分的規(guī)則，優(yōu)化它就是想出如何玩才能讓玩得更好并贏到最好的分?jǐn)?shù)。
目標(biāo)函數(shù)(損失函數(shù))就像棋盤游戲的積分系統(tǒng)。
在機(jī)器學(xué)習(xí)的傳統(tǒng)中，我們更喜歡棍棒而不是胡蘿卜--分?jǐn)?shù)是對(duì)錯(cuò)誤的懲罰(在分界線的錯(cuò)誤一側(cè)貼上標(biāo)簽)，而游戲就是去盡可能的得到盡量少的錯(cuò)誤分?jǐn)?shù)。這就是為什么ML中的目標(biāo)函數(shù)往往被稱為“損失函數(shù)”，即目標(biāo)是最小化損失。
現(xiàn)在我們可以回到最開始的問題了，把你的手指水平地對(duì)著屏幕并不斷畫出直線，直到你得到一個(gè)零分的結(jié)果(即沒有一點(diǎn)能夠逃避你充滿力量的、憤怒的手指所畫出來的線)。
希望您找到的解決方案是這樣的：
希望你能聰明地意識(shí)到，在上面的三個(gè)解決方案中，最右邊的是最好的。
如果你喜歡多樣性，你會(huì)喜歡算法的。因?yàn)樗鼈兲嗔耍⑶宜鼈冎g的不同之處往往在于它們?nèi)绾卧诓煌奈恢蒙蠂L試分離邊界。
在優(yōu)化問題中，以微小的增量旋轉(zhuǎn)邊界顯然是不靠譜的。還有更好的方法可以更快地到達(dá)最優(yōu)位置。 一些研究人員畢生致力于想出在最少的轉(zhuǎn)變中獲得最好的邊界位置的方法，不管數(shù)據(jù)域看起來有多不正常(由你的輸入決定)。
另一個(gè)變化的來源是邊界的形狀。原來地邊界不一定是直的。不同的算法使用不同的邊界。
當(dāng)我們選擇這些各種各樣的名稱時(shí)，我們只是選擇在標(biāo)簽之間繪制的邊界的形狀，即在選擇我們要用一條對(duì)角線，多條水平和豎直線還是靈活的波形短線去分隔它們?
潮人算法
如今，沒有一位數(shù)據(jù)科學(xué)家再使用簡(jiǎn)陋的直線了。靈活多變的形狀在當(dāng)今大多數(shù)的人群中都很受歡迎的(你可能知道，例如神經(jīng)網(wǎng)絡(luò)——雖然他們沒有太多的神經(jīng)，他們的名字在半個(gè)多世紀(jì)前就被命名了，而且似乎沒有人喜歡我的建議——就是我們把他們重新命名為“瑜伽網(wǎng)絡(luò)”或“多層數(shù)學(xué)運(yùn)算”)。
如果你一直期望的是有魔力的算法，那么早一點(diǎn)失望，就早一點(diǎn)清醒，當(dāng)這些科幻迷信般的興奮褪去，你才會(huì)新生出做真正酷的事情的篤定。機(jī)器學(xué)習(xí)本身可能平淡無奇，但是你可以用它做的事情卻可以驚天動(dòng)地，它能讓你寫出你完全想不到的程序代碼，讓你可以自動(dòng)化那些無法言喻的過程，不要嫌棄機(jī)器學(xué)習(xí)的簡(jiǎn)單，杠桿也很簡(jiǎn)單，但是它可以撬動(dòng)整個(gè)世界
除了這種市場(chǎng)營(yíng)銷式的用其他線性算法和智能神經(jīng)網(wǎng)絡(luò)做對(duì)比，更值得我們關(guān)注的是這些算法的柔韌擴(kuò)展性。雖然其他算法在處理數(shù)據(jù)拉伸變換時(shí)不那么智能，但是天底下沒有免費(fèi)的午餐，運(yùn)用神經(jīng)網(wǎng)絡(luò)也是要付出昂貴代價(jià)的(下文有更多說明)，所以不要相信那些宣稱神經(jīng)網(wǎng)絡(luò)永遠(yuǎn)是最完美方案的人。
神經(jīng)網(wǎng)絡(luò)也可以叫做瑜伽網(wǎng)絡(luò)
這些奇奇怪怪的算法名稱不過是告訴你什么形狀的分界線會(huì)被放入你的數(shù)據(jù)集中。如果你是一位致力于將機(jī)器學(xué)習(xí)投入實(shí)際應(yīng)用的學(xué)習(xí)者，那么記不住這些名詞也沒關(guān)系。實(shí)際操作時(shí)，你只需要把你的數(shù)據(jù)扔到盡可能多的算法里去嘗試，然后重復(fù)訓(xùn)練那些看起來最有希望的算法。證明巧克力布丁最好的方法就是吃掉它，所以我們開始享用吧。
就算你認(rèn)認(rèn)真真的學(xué)習(xí)了資料，你也不可能第一次就碰巧拿到正確的算法。別焦慮，這不是只有標(biāo)準(zhǔn)答案的競(jìng)賽。盡管抱著玩的心態(tài)，敲敲打打，多多琢磨。對(duì)機(jī)器學(xué)習(xí)這個(gè)布丁的證明就隱藏在吃透它的過程里-這套算法適用于新的數(shù)據(jù)嗎?你不用擔(dān)心算法是如何工作的，將這個(gè)問題留給專門設(shè)計(jì)新算法的研究者們吧 (而且你最終會(huì)越來越熟悉這些術(shù)語，就像你會(huì)記住那些播爛了的肥皂劇里的角色一樣，久而久之，你會(huì)記住所有這些拗口的術(shù)語)
模型
一旦確立好分界線，算法就結(jié)束了。而你從算法中得到的就是你一直想要的：模型。所謂模型不過是“計(jì)算機(jī)菜譜”的酷炫叫法，它實(shí)際上就是計(jì)算機(jī)用來將數(shù)據(jù)轉(zhuǎn)換成決策的指令。當(dāng)我再次展示一瓶新的葡萄酒時(shí)，如果數(shù)據(jù)落在藍(lán)色區(qū)域，就被命名為藍(lán)。落在紅色區(qū)域?那就命名為紅。
標(biāo)簽
一旦你將剛出爐的模型投入使用，在向計(jì)算機(jī)輸入酒齡，評(píng)級(jí)分?jǐn)?shù)后，你的系統(tǒng)就會(huì)查找這瓶紅酒數(shù)據(jù)對(duì)應(yīng)的區(qū)域，并輸出一個(gè)標(biāo)簽。
當(dāng)我有四瓶新的葡萄酒時(shí)，我只需要將輸入的數(shù)據(jù)和菜單上的紅藍(lán)區(qū)域匹配，并插上標(biāo)簽，看，就是這么簡(jiǎn)單!
那我們?cè)趺粗肋@個(gè)算法到底可行不可行呢?就像檢驗(yàn)一群敲擊鍵盤的猴子是不是在寫莎士比亞詩集一樣，我們可以通過檢查輸出來判斷。
吃掉布丁才可以證明布丁
用大量的新數(shù)據(jù)來檢測(cè)你的系統(tǒng)，確保你的系統(tǒng)在這些數(shù)據(jù)上都運(yùn)行良好。事實(shí)上，不管是面對(duì)一個(gè)算法還是一個(gè)拿著計(jì)算機(jī)菜譜找到你的程序員，你都應(yīng)該用大量的數(shù)據(jù)去檢測(cè)。
這是我另一篇文章里一份非常形象的總結(jié)：
詩人一般的機(jī)器學(xué)習(xí)
如果這句話讓你很困惑，也許下面這個(gè)類比你會(huì)更容易接受：一位詩人挑選了一種方法(算法)來組織紙面上的詞語，這種方法決定了最后詩歌的形式(邊界形狀)
例如決定這首詩是日式俳句還是十四行詩。一旦在十四行詩這個(gè)骨架上最優(yōu)化地添加詞語，使其充實(shí)豐滿，那它就會(huì)變成一首詩(模型)。至于詩歌為什么會(huì)變成計(jì)算機(jī)菜譜，饒了我吧-我也不知道，但是我非常歡迎其他的建議。不管怎樣，這個(gè)類比的其他部分還是說得通的。
機(jī)器學(xué)習(xí)模型VS傳統(tǒng)編程代碼
不得不指出的是機(jī)器學(xué)習(xí)的這份菜譜和程序猿著眼于問題而手工敲出的代碼沒有很大區(qū)別。忘掉對(duì)機(jī)器學(xué)習(xí)人格化的幻想吧，機(jī)器學(xué)習(xí)模型和常規(guī)代碼在概念上沒有區(qū)別。是的，就是那些腦袋里充滿主觀意見和咖啡因的程序猿手寫出的菜譜代碼
不要到處嚷嚷著“再訓(xùn)練”-這個(gè)術(shù)語不過是指在加入新數(shù)據(jù)樣本后需要再跑一次算法來調(diào)整模型邊界而已。但是這個(gè)名詞讓機(jī)器學(xué)習(xí)聽起來像一個(gè)活的生物，好像它天生就和那些標(biāo)準(zhǔn)程序猿產(chǎn)品不一樣，事實(shí)上，程序猿也可以好好坐下來根據(jù)新的信息來手工調(diào)整代碼，如果你覺得你的機(jī)器學(xué)習(xí)系統(tǒng)可以加快更新迭代速度，那么就把時(shí)間好好投資在測(cè)試系統(tǒng)上，要不然還不如跑一個(gè)睡眠程序讓你自己好好休息一下。
這就是關(guān)于機(jī)器學(xué)習(xí)的一切?
差不多啦，機(jī)器學(xué)習(xí)的核心部分就是安裝各種程序包，然后捋順你雜亂無章、毛發(fā)叢生的數(shù)據(jù)怪獸，便于挑剔的算法在你的數(shù)據(jù)集上運(yùn)行。
接著就是永無止境的調(diào)整代碼設(shè)置(不要讓“超參數(shù)調(diào)優(yōu)”這個(gè)聽起來高大上的名字嚇到了你)直到你歡呼：好啦!一個(gè)模型完成啦! 但是一旦你的模型在新的數(shù)據(jù)集上表現(xiàn)不好，你就不得不重新回到畫板前，一遍又一遍的調(diào)試，直到撥云見日，你的方案終于可以拿得出手了。這就是為什么要雇用失敗承受力強(qiáng)的人來做這件事
如果你一直期望的是有魔力的算法，那么早一點(diǎn)失望，就早一點(diǎn)清醒，當(dāng)這些科幻迷信般的興奮死去時(shí)，我們才會(huì)新生出做真正酷的事情的信念。機(jī)器學(xué)習(xí)本身可能平淡無奇，但是你可以用它做的事情卻是驚天動(dòng)地，它可以讓你寫出你完全想不到的程序代碼，讓你可以自動(dòng)化那些無法言喻的過程，不要嫌棄機(jī)器學(xué)習(xí)的簡(jiǎn)單，杠桿也很簡(jiǎn)單，但是它可以撬動(dòng)整個(gè)世界。
相關(guān)報(bào)道：
https://hackernoon.com/machine-learning-is-the-emperor-wearing-clothes-59933d12a3cc
【本文是51CTO專欄機(jī)構(gòu)大數(shù)據(jù)文摘的原創(chuàng)文章，微信公眾號(hào)“大數(shù)據(jù)文摘（ id: BigDataDigest）”】
