机器学习概述
本文所述内容，参考了
机器学习实战：基于Scikit-Learn和TensorFlow一书。
机器学习系统分类
-
监督式学习/无监督式学习
根据监督数量和监督类型，分为监督式学习、无监督式学习、半监督式学习和强化学习。- 监督式学习：提供给算法所需的有标注的训练数据。如分类任务（垃圾邮件分类）和回归任务（预测汽车价格）。
- 无监督式学习：训练数据是未标注的。如聚类算法检测相似的访客分组，可视化算法，异常检测（如检测信用卡交易从而防止欺诈）和关联规则学习（推荐算法）。
- 半监督式学习：大量未标记数据和少量的标记数据。如Goole相册，对人像识别后整合在一起（聚类），自己命名一下就可以了。半监督式学习算法多是监督式算法和无监督式算法的集合，如深度信念网络（DBN）使用了无监督式组件受限玻尔兹曼机（RBM）。
- 强化学习：学习系统能够观察环境，做出选择，获得回报（reward）或惩罚，自行学习什么是最好的策略（policy）。如DeepMind的AlphaGo项目。过程大致如下：
观察--->选择执行策略--->执行--->获得奖励或惩罚--->升级策略--->不断迭代，直到产生最优策略。
PS：降维是在不丢失太多信息的前提下简化数据，例如将多个相关特征合并为一个（特征提取）。
-
批量学习/在线学习
- 批量学习：系统无法进行增量学习，必须使用所有可以使用的训练数据训练。
- 在线学习：可以循序的给系统提供训练数据，逐步积累学习成果。在线学习流程如下：
在线学习的学习率很重要，如果学习率很高，系统将很快适应新数据，同时忘记旧数据；如果学习率很低，系统会有很高的惰性，学习缓慢，同时对于新数据中的噪声和非典型数据点序列不敏感。
-
基于实例/模型学习
良好的模型，需要在训练数据和新的对象实例上一样优秀。泛化的主要方法：基于实例和基于模型的学习。- 基于实例的学习：系统线完全记住学习示例，然后通过某种相似度量的方式将其泛化到新的实例上。
- 基于模型的学习：构建示例的模型，然后使用模型进行预测。如构建线性模型：
机器学习的挑战
- 训练数据的不足
- 训练数据的不具代表性
如果样本集太小，将会出现采样噪声（即非代表性数据被选中）；即使是非常大的样本数据，如果采样方式欠妥，也同样可能导致非代表性数据集，这就是所谓的采样偏差。 - 质量差的数据（例如差质量的测量产生的数据）
- 无关特征：训练数据中需要由足够度的相关特征。
- 训练数据过度拟合：在训练数据上表现良好，泛化是却很差。当模型相对于训练数据的数量和噪声都过于复杂是，会发生过拟合。解决方法有：
- 简化模型：选择参数较少的模型 ，减少训练数据中属性数量，或者约束模型（又称为正则化）。
- 更多的训练数据。
- 减少训练数据中的噪声，如修复数据错误或消除异常值。
- 简化模型：选择参数较少的模型 ，减少训练数据中属性数量，或者约束模型（又称为正则化）。
- 训练数据拟合不足：对下层数据结构来说，模型过于简单。可以选择参数更多模型，给学习算法提供更好的特征集，减少模型约束（如减少正则化超参数）。
测试和验证
使用80％的数据进行训练，保留另外的20％来做测试。还需要留出验证集，使用不同的超参数训练多个模型，使用验证集来选出最好的模型，然后得到泛化误差的估值。常用交叉验证：将训练集分成若干个互补子集，然后每个模型都通过这些子集的不同组合来进行训练，之后用剩余的子集进行验证。一旦模型和超参数都被选定，最终的模型会带着这些超参数对整个训练集进行一次训练，最后再用测试集测量泛化误差。
没有免费的午餐（No Free Lunch）定理：如果你对数据绝对没有任何假设，那么你没有理由会更偏好于某个模型。
