本文中，小編將對機器學習予以介紹，如果你想對它的詳細情況有所認識，或者想要增進對它的了解程度，不妨請看以下內(nèi)容哦。

一、機器學習之無監(jiān)督學習

監(jiān)督學習處理的是有標簽的數(shù)據(jù)，無監(jiān)督學習要處理的則是無標簽的數(shù)據(jù)。正是因為沒有了這個絕對的標簽，所以會更側重與數(shù)據(jù)本身的信息和結構，對于模型所得結果的合理性，也會有更豐富和更精細的評估。以下主要介紹一些不同類型的聚類算法。

1.基于原型

基于原型的聚類，強調在數(shù)據(jù)中存在著某種確定性的結構，不同類別的結構，應該是不一樣的。K-means是原型聚類中的經(jīng)典代表，它相信數(shù)據(jù)中存在著K個中心點，通過迭代更新這K個中心點的位置，從而將所有樣本點劃分進K個原型里面，直至迭代結束。

2.基于密度

基于密度的聚類，強調如果在數(shù)據(jù)中存在一個類別，那么這個類別里的樣本點之間，是存在一定的緊密程度的，如果不具有的話，那就是屬于其它類別。DBSCAN是這一類算法中的代表，它與K-means的不同在于，不預先假設K個中心，而是先尋找一個類別，獲取這個類別所有的樣本點，再在剩余的數(shù)據(jù)集里，尋找下一個類別，直到所有樣本都找到類別。

3.基于層次

基于層次的聚類，則是從一個更為立體的角度，對樣本點進行自底向上的逐層的劃分。AGENS是這一種算法里的代表，在第一層里，它將所有樣本點當做是一個初始類別，通過計算類別之間的距離，不斷的進行合并，從而在最后一層里保留下指定個數(shù)的類別。

相對于監(jiān)督學習，無監(jiān)督學習沒有了標簽的羈絆，反而成為了一個更為開放的場景，出現(xiàn)了一大批的形態(tài)各異的算法。但這些不同類型的聚類算法，仍要去討論一些共同的問題，比如如何去度量聚類結果的性能，這里又分為外部指標和內(nèi)部指標;比如如何去計算樣本點之間的距離，基于不同維度，閔氏距離可以分為曼哈頓距離，歐氏距離，和切比雪夫距離。

二、包裹法實現(xiàn)機器學習特征選擇

過濾法是從特征重要性高低的角度來加以排序，從而完成目標特征選擇或者低效特征濾除的過程。其最大的弊端之一在于因為不依賴任何模型，所以無法針對性的選擇出相應模型最適合的特征體系。同時，其還存在一個隱藏的問題：即特征選擇保留比例多少的問題，實際上這往往是一個超參數(shù)，一般需要人為定義或者進行超參尋優(yōu)。

與之不同，包裹法將特征選擇看做是一個黑盒問題：即僅需指定目標函數(shù)(這個目標函數(shù)一般就是特定模型下的評估指標)，通過一定方法實現(xiàn)這個目標函數(shù)最大化，而不關心其內(nèi)部實現(xiàn)的問題。進一步地，從具體實現(xiàn)的角度來看，給定一個含有N個特征的特征選擇問題，可將其抽象為從中選擇最優(yōu)的K個特征子集從而實現(xiàn)目標函數(shù)取值最優(yōu)。易見，這里的K可能是從1到N之間的任意數(shù)值，所以該問題的搜索復雜度是指數(shù)次冪：O(2^N)。

當然，對于這樣一個具有如此高復雜度的算法，聰明的前輩們是不可能去直接暴力嘗試的，尤其是考慮這個目標函數(shù)往往還是足夠expensive的(即模型在特定的特征子集上的評估過程一般是較為耗時的過程)，所以具體的實現(xiàn)方式一般有如下兩種：

序貫選擇。美其名曰序貫選擇，其實就是貪心算法。即將含有K個特征的最優(yōu)子空間搜索問題簡化為從1->K的遞歸式選擇(Sequential Feature Selection, SFS)或者從N->K的遞歸式消除(Sequential Backward Selection, SBS)的過程，其中前者又稱為前向選擇，后者相應的稱作后向選擇。

啟發(fā)式搜索。啟發(fā)式搜索一般是應用了進化算法，例如在優(yōu)化領域廣泛使用的遺傳算法。在具體實現(xiàn)中，需要考慮將特征子空間如何表達為種群中的一個個體(例如將含有N個特征的選擇問題表達為長度為N的0/1序列，其中1表示選擇該特征，0表示不選擇，序列中1的個數(shù)即為特征子空間中的特征數(shù)量)，進而可將模型在相應特征子空間的效果定義為對應個體在種群中的適應度;其次就是定義遺傳算法中的主要操作：交叉、變異以及繁殖等進化過程。

以上所有內(nèi)容便是小編此次為大家?guī)淼挠嘘P機器學習的所有介紹，如果你想了解更多有關它的內(nèi)容，不妨在我們網(wǎng)站或者百度、google進行探索哦。