數據科學家必備：從回歸到CNN，簡明概述常見機器學習模型
機器學習是現代人工智能的核心，支撐著從推薦系統到自動駕駛汽車等各類應用。但每一個智能應用背后，都離不開那些奠定基礎的模型。本文將為你簡明而全面地梳理關鍵的機器學習模型，幫助你系統掌握核心概念與應用。
線性回歸（Linear Regression）
線性回歸旨在通過尋找一條“最佳擬合直線”，來建立自變量與因變量之間的關系。它使用最小二乘法（least square method），使所有數據點到直線的距離之和最小化。最小二乘法通過最小化殘差平方和（SSR，Sum of Squared Residuals），來確定最終的線性方程。
例如，下圖中的綠色直線相比藍色直線擬合得更好，因為它與所有數據點的距離更小。
圖片
Lasso 回歸（L1 正則化）
Lasso 回歸是一種正則化技術，通過在模型中引入一定的偏差來減少過擬合。它的做法是在最小化殘差平方差的基礎上，增加一個懲罰項，這個懲罰項等于 λ（lambda）乘以斜率的絕對值。這里的 λ 表示懲罰的強度，是一個可以調整的超參數，用來控制過擬合并獲得更好的擬合效果。
Lasso 回歸的代價函數
當特征數量較多時，L1 正則化通常是更優的選擇，因為它可以忽略掉那些斜率值非常小的變量，從而實現特征選擇。
展示正則化對過擬合回歸線影響的圖表
Ridge 回歸（L2 正則化）
Ridge 回歸與 Lasso 回歸非常相似，唯一的區別在于懲罰項的計算方式。它在損失函數中增加了一個懲罰項，這個懲罰項等于各系數幅值的平方乘以 λ（lambda）。
Ridge 回歸的代價函數
當數據中存在多重共線性（即自變量之間高度相關）時，L2 正則化是更好的選擇，因為它可以將所有系數收縮（Shrinkage）向零，從而緩解共線性問題。
Elastic Net 回歸
Elastic Net 回歸結合了 Lasso 回歸和 Ridge 回歸的懲罰項，從而得到一個更加正則化的模型。它可以在兩種懲罰之間取得平衡，通常比單獨使用 L1 或 L2 正則化獲得更優的模型性能。
圖片
多項式回歸（Polynomial Regression）
多項式回歸將因變量與自變量之間的關系建模為一個 n 次多項式。多項式是由形如 k·x? 的各項之和組成的，其中 n 是非負整數，k 是常數，x 是自變量。多項式回歸主要用于處理非線性數據。
在非線性數據上擬合簡單線性回歸線與多項式回歸線的對比
邏輯回歸（Logistic Regression）
邏輯回歸是一種分類技術，旨在為數據找到最佳擬合曲線。它使用Sigmoid 函數將輸出值壓縮到 0 到 1 的范圍內。不同于線性回歸通過最小二乘法尋找最佳擬合直線，邏輯回歸采用最大似然估計（MLE）來確定最佳擬合曲線。
線性回歸與邏輯回歸在二分類輸出上的對比
K 近鄰算法（K-Nearest Neighbours，KNN）
KNN 是一種分類算法，它根據新數據點與已分類數據點之間的距離進行分類。它假設彼此接近的數據點具有高度相似性。
由于 KNN 在訓練階段僅存儲數據而不進行實際分類，直到遇到新的數據點進行預測，因此被稱為懶惰學習算法（lazy learner）。
默認情況下，KNN 使用歐幾里得距離來尋找新數據點最近的已分類數據點，并通過最近鄰居中出現次數最多的類別（眾數）來確定新數據點的預測類別。
如果 k 值設置得過小，新數據點可能被誤判為異常值；如果 k 值設置得過大，則可能忽略樣本數量較少的類別。
應用 KNN 前后的數據分布變化
樸素貝葉斯（Naive Bayes）
樸素貝葉斯是一種基于貝葉斯定理的分類技術，主要用于文本分類。
貝葉斯定理描述了在已知與事件相關的條件的先驗知識基礎上，計算事件發生的概率。它的公式如下所示：
貝葉斯定理公式
樸素貝葉斯被稱為“樸素”的原因是，它假設某一特征的出現與其他特征的出現是相互獨立的。
支持向量機（Support Vector Machines，SVM）
支持向量機的目標是找到一個超平面，在 n 維空間（即特征的數量為 n）中將數據點分割成不同的類別。這個超平面是通過最大化類之間的邊距（即距離）來確定的。
支持向量是離超平面最近的數據點，它們能夠影響超平面的定位和方向，幫助最大化類之間的邊距。超平面的維度取決于輸入特征的數量。
支持向量機在線性可分數據上的應用
決策樹（Decision Tree）
決策樹是一種基于樹形結構的分類器，包含一系列條件語句，這些條件語句決定了樣本沿著哪條路徑走，直到到達樹的底部。
決策樹示例
決策樹的內部節點表示特征，分支表示決策規則，葉節點表示結果。樹的決策節點類似于 if-else 條件，葉節點包含決策節點的輸出。
決策樹的構建從選擇一個特征作為根節點開始，使用特征選擇度量（如 ID3 或 CART），然后遞歸地將剩余的特征與父節點進行比較，創建子節點，直到樹達到其葉節點。
隨機森林（Random Forest）
隨機森林是一種集成技術，由多個決策樹組成。在構建每個獨立的決策樹時，隨機森林使用了自助法（bagging）和特征隨機化，目的是創建一個無關的決策樹森林。
隨機森林中的每棵樹都是在數據的不同子集上訓練的，用于預測結果，然后選擇大多數樹投票的結果作為最終的預測值。
包含 4 個估計器的隨機森林分類器
例如，如果我們只創建了一棵決策樹，第二棵樹的預測結果為類 0，但依賴于四棵樹的眾數后，我們的預測結果變成了類 1，這就是隨機森林的強大之處。
極限隨機樹（Extra Trees）
極限隨機樹與隨機森林分類器非常相似，唯一的區別在于它們選擇根節點的方式。在隨機森林中，使用最優特征進行分割，而在極限隨機樹分類器中，隨機選擇特征進行分割。極限隨機樹提供了更多的隨機性，并且特征之間的相關性非常小。
另外，兩者的另一個區別是，隨機森林使用自助法（bootstrap replicas）生成大小為 N 的子集來訓練集成成員（決策樹），而極限隨機樹則使用整個原始樣本。
由于極限隨機樹在訓練到預測的整個過程中，每棵決策樹的操作都是相同的，并且隨機選擇分割點，因此它的計算速度比隨機森林快得多。
隨機森林與極限隨機樹的比較
ADA Boost
ADA Boost 是一種提升算法，它與隨機森林相似，但也有一些顯著的區別：
- 與構建決策樹森林不同，ADA Boost 構建的是決策樹樁的森林。（決策樹樁是只有一個節點和兩個葉子的決策樹）
- 每個決策樹樁在最終決策中被賦予不同的權重。
- 它會對被錯誤分類的數據點賦予更高的權重，以便在構建下一個模型時，這些數據點能得到更多的關注。
- 它有助于將多個“弱分類器”組合成一個強分類器。
提升集成學習算法的一般過程
梯度提升（Gradient Boosting）
梯度提升通過構建多個決策樹，其中每棵樹都從前一棵樹的錯誤中學習。它使用殘差誤差來提高預測性能。梯度提升的整個目標是盡可能減少殘差誤差。
梯度提升與 ADA Boost 相似，兩者的區別在于，ADA Boost 構建決策樹樁，而梯度提升則構建具有多個葉子的決策樹。
梯度提升的過程從構建一棵基本的決策樹開始，并做出初步預測，通常使用平均值作為初始預測。然后，通過使用初始特征和殘差誤差作為自變量，創建新的一棵決策樹。對于新決策樹的預測，是通過將模型的初始預測加上樣本的殘差誤差乘以學習率得到的，整個過程會不斷重復，直到我們達到最小誤差為止。
K-Means 聚類
KMeans 聚類是一種無監督的機器學習算法，它將沒有標簽的數據分成 K 個不同的簇，其中 K 是用戶定義的整數。
它是一個迭代算法，通過使用簇的質心（centroid）將沒有標簽的數據劃分為 K 個簇，使得具有相似屬性的數據點屬于同一簇。
- 定義 K 并創建 K 個簇
- 計算每個數據點與 K 個質心的歐幾里得距離
- 將最近的數據點分配給質心，并創建一個簇
- 通過計算均值重新計算質心
使用不同 K 值的 K-Means 聚類對無標簽數據進行聚類
層次聚類（Hierarchical Clustering）
層次聚類是另一種基于聚類的算法，它以樹狀結構的形式創建簇的層次，以劃分數據。它自動發現數據之間的關系，并將它們劃分為 n 個不同的簇，其中 n 是數據的大小。
層次聚類有兩種主要方法：凝聚式（Agglomerative）和分裂式（Divisive）。
凝聚式和分裂式層次聚類在簇創建過程中的比較
在凝聚式聚類中，我們將每個數據點視為一個單獨的簇，然后將這些簇合并，直到只剩下一個簇（即完整的數據集）。而分裂式層次聚類則從整個數據集（視為一個單獨的簇）開始，然后將其劃分為不太相似的簇，直到每個數據點成為一個獨立的簇。
DBSCAN 聚類
DBSCAN（基于密度的空間聚類算法，帶噪聲）假設，如果一個數據點離一個簇的許多數據點比較近，而不是離某個單獨的點很近，那么該數據點屬于該簇。
圖片
（圖：來自 Wikipedia 的 DBSCAN 聚類示例，minPts = 4。點 A 和其他紅點是核心點，因為這些點周圍的 ε 半徑內包含至少 4 個點（包括點 A 本身）。由于它們之間都可以相互到達，因此形成一個簇。點 B 和點 C 不是核心點，但可以通過其他核心點從 A 到達，因此它們也屬于這個簇。點 N 是噪聲點，既不是核心點，也不能直接從其他點到達。）
epsilon 和 min_points 是兩個重要的參數，用于將數據劃分為小簇。epsilon 指定了一個點需要與另一個點多近才能認為它是簇的一部分，而 min_points 則決定了形成一個簇所需的最小數據點數。
Apriori 算法
Apriori 算法是一種關聯規則挖掘算法，它通過分析數據項之間的依賴關系，將相關的數據項關聯在一起。
使用 Apriori 算法創建關聯規則的關鍵步驟包括：
- 確定每個大小為 1 的項集的支持度，其中支持度是數據集中項出現的頻率。
- 剪枝所有低于最小支持度閾值的項（由用戶決定）。
- 創建大小為 n+1 的項集（n 是前一個項集的大?。?，并重復步驟 1 和 2，直到所有項集的支持度都超過閾值。
- 使用置信度生成規則（即在已知 x 出現的情況下，x 和 y 一起出現的頻率）。
分層 K 折交叉驗證 (Stratified K-fold Cross-Validation)
分層 K 折交叉驗證是 K 折交叉驗證的一個變體，它使用分層抽樣（而非隨機抽樣）來創建數據的子集。在分層抽樣中，數據被劃分為 K 個不重疊的組，每個組的分布與整個數據集的分布相似。每個子集都會包含每個類標簽的相同數量的樣本，如下圖所示。
圖示：5 折分層交叉驗證
分層抽樣的優點在于確保每一折的數據中都能代表各類標簽的分布，避免了類別不平衡問題，尤其是在處理類別不均衡的數據集時。通過這種方式，模型的訓練和驗證可以更好地反映數據的整體分布，從而提升模型的穩定性和性能。
主成分分析 (PCA)
主成分分析（PCA）是一種線性降維技術，它將一組相關的特征轉換為較少的（k<p）不相關的特征，這些不相關的特征被稱為主成分。通過應用PCA，我們會丟失一定量的信息，但它提供了許多好處，比如提高模型性能、減少硬件需求，并為數據可視化提供更好的理解機會。
PCA 降維的可視化示例
PCA 的核心思想是通過將數據投影到新的坐標系中，選擇數據方差最大的方向作為主成分，從而在減少維度的同時保留盡可能多的數據信息?？梢暬瘯r，PCA 可以幫助我們將高維數據映射到二維或三維空間，從而更容易理解和分析。
人工神經網絡（ANN）
人工神經網絡（ANN）靈感來源于人類大腦的結構，由多層互聯的神經元組成。它們由輸入層、隱藏層和輸出層構成，每個神經元對傳入的數據應用權重和激活函數。由于能夠從數據中學習復雜的模式，人工神經網絡廣泛應用于圖像識別、自然語言處理和預測分析等任務。
多層人工神經網絡的示例
卷積神經網絡（CNN）
卷積神經網絡（CNN）是一種專門為圖像和視頻處理設計的神經網絡類型。與傳統的神經網絡不同，后者將每個像素作為獨立輸入，CNN使用卷積層掃描圖像，檢測邊緣、紋理和形狀等模式。這使得CNN在識別圖像中的物體時非常有效，即使物體在不同位置出現。CNN通過自動學習在視覺數據中識別模式，推動了面部識別、自動駕駛汽車和醫學圖像分析等技術的發展。
典型的CNN模型架構
Q學習(Q-Learning)
Q學習是一種強化學習算法，通過試驗和錯誤的方式幫助機器學習。它通常用于游戲AI、機器人技術和自學習交易機器人。其原理很簡單：“代理”（如機器人或游戲角色）與環境互動，嘗試不同的動作，并根據其選擇獲得獎勵或懲罰。隨著時間的推移，代理通過將所學的內容存儲在一個稱為Q表的表格中，學習在不同情況下采取最佳行動。這種技術廣泛應用于需要自主做出決策的AI系統，例如自動駕駛汽車在交通中導航，或者AI驅動的游戲角色學習如何下棋。
Q學習算法示例
詞頻-逆文檔頻率 (TF-IDF)
TF-IDF 是一種文本分析算法，旨在幫助識別文檔中的重要詞匯。它通過計算一個詞出現的頻率（詞頻，TF）以及該詞在所有文檔中出現的稀有程度（逆文檔頻率，IDF）來工作。這樣可以避免像“the”和“is”這樣的常見詞被賦予過高的權重，同時突顯出更有意義的詞匯。TF-IDF 廣泛應用于搜索引擎（如 Google、Bing）、關鍵詞提取和文檔排名，幫助系統理解哪些詞匯與特定主題最相關。
LDA(Latent Dirichlet Allocation)
LDA(Latent Dirichlet Allocation)是一種主題建模算法，用于在大量文本集合中發現隱藏的主題。它假設每篇文檔由不同的主題組成，而每個主題由一些經常一起出現的單詞構成。LDA 特別適用于新聞分類、學術論文分類和客戶評論分析，因為它有助于揭示大量非結構化文本中的潛在主題。如果你曾在研究工具中看到過自動主題建議功能，那么很可能它正在使用 LDA 來將相似的文本分組在一起。
圖片
Word2Vec
Word2Vec 是一種自然語言處理（NLP）算法，通過將詞語轉換為數值向量，幫助計算機理解詞語的含義。與像 TF-IDF 這樣的舊方法只關注詞頻不同，Word2Vec 捕捉了詞語之間的語義關系。例如，它可以學會“king”和“queen”之間的關系，或者“Paris”與“France”之間的關系就像“Berlin”與“Germany”之間的關系一樣。這使得它在聊天機器人、情感分析和推薦系統中非常有用，因為理解詞語的含義和上下文至關重要。許多現代語言模型，包括用于 Google 翻譯和語音助手的模型，都依賴 Word2Vec 作為更深層次語言理解的基礎。
圖片
以上是常用的簡明而全面地梳理關鍵的機器學習模型，幫助你系統掌握核心概念與應用。
