在下述的內(nèi)容中，小編將會(huì)對(duì)機(jī)器學(xué)習(xí)的相關(guān)消息予以報(bào)道，如果機(jī)器學(xué)習(xí)是您想要了解的焦點(diǎn)之一，不妨和小編共同閱讀這篇文章哦。

一、3種機(jī)器學(xué)習(xí)監(jiān)督學(xué)習(xí)方法

1.支持向量機(jī)

支持向量機(jī)是追求極致的，它要在所有的可行解里面，找到唯一的最優(yōu)解。在二維平面里，這個(gè)解是一條唯一的線，在三維空間里，這個(gè)解是一個(gè)唯一的面，那么，在N維空間里，這個(gè)解就是唯一的超平面了。而用于尋找這個(gè)解的樣本點(diǎn)，就稱之為支持向量。

核函數(shù)是支持向量機(jī)里的大殺器，與人們所說的“降維打擊”類似，核函數(shù)是要通過升維的方式去解決問題。如果在當(dāng)下的困境里找不到答案，那就嘗試在更高的維度里去破局。

2.神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)引入了生物學(xué)里神經(jīng)元的概念。每一個(gè)神經(jīng)元都是簡(jiǎn)單的，有輸入和權(quán)重，有閾值和輸出，但是用眾多神經(jīng)元搭建起多層網(wǎng)絡(luò)，網(wǎng)絡(luò)之間又相互聯(lián)系時(shí)，這個(gè)問題就變得復(fù)雜了。在2006年后，神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)身為深度學(xué)習(xí)，成就了無數(shù)或神秘或偉大的商業(yè)故事。

在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，有一個(gè)很有意思的事情，就是局部最優(yōu)和全局最優(yōu)。模型訓(xùn)練中容易陷入局部最優(yōu)的困境，停止搜索最優(yōu)解，就像我們很多時(shí)候做事情，只是做好了，但是并不夠好。為了解決這個(gè)問題，人們?cè)O(shè)計(jì)了模擬退火，隨機(jī)梯度下降等多種訓(xùn)練策略。

3.集成學(xué)習(xí)

集成學(xué)習(xí)的理念，是“好而不同”。對(duì)于一個(gè)問題，如果通過單一模型始終給不出最優(yōu)解，不如集成幾個(gè)好而不同的子模型，可能會(huì)獲得性能優(yōu)異的效果。三個(gè)臭皮匠，勝過諸葛亮。每個(gè)臭皮匠都有不足，但各有各的優(yōu)點(diǎn)，而諸葛亮作為單一模型已是極致，卻仍有局限。

集成學(xué)習(xí)有兩個(gè)分支，如果子模型串行生成，則是Boost，如果子模型并行生成，則是Bagging。Boost強(qiáng)調(diào)的是一個(gè)一個(gè)上，針對(duì)前一個(gè)子模型的缺陷，通過下一個(gè)子模型去補(bǔ)足，xgBoost和GBDT都是其中的代表;Bagging強(qiáng)調(diào)的則是一起上，群架好過單挑，通過學(xué)習(xí)不同的樣本，生成不同的子模型。Bagging的一個(gè)變體隨機(jī)森林，便是這一類模型的優(yōu)秀代表。

二、機(jī)器學(xué)習(xí)特征處理

1.特征構(gòu)建

特征構(gòu)建是指從原始數(shù)據(jù)中人工的找出一些具有實(shí)際意義的特征。需要花時(shí)間去觀察原始數(shù)據(jù)，思考問題的潛在形式和數(shù)據(jù)結(jié)構(gòu)，對(duì)數(shù)據(jù)敏感性和機(jī)器學(xué)習(xí)實(shí)戰(zhàn)經(jīng)驗(yàn)?zāi)軒椭卣鳂?gòu)建。除此之外，屬性分割和結(jié)合是特征構(gòu)建時(shí)常使用的方法。特征構(gòu)建是個(gè)非常麻煩的問題，書里面也很少提到具體的方法，需要對(duì)問題有比較深入的理解。

2.特征抽取

一些觀測(cè)數(shù)據(jù)如果直接建模，其原始狀態(tài)的數(shù)據(jù)太多。像圖像、音頻和文本數(shù)據(jù)，如果將其看做是表格數(shù)據(jù)，那么其中包含了數(shù)以千計(jì)的屬性。特征抽取是自動(dòng)地對(duì)原始觀測(cè)降維，使其特征集合小到可以進(jìn)行建模的過程。通?？刹捎弥鞒煞址治?PCA)、線性判別分析(LDA))等方法;對(duì)于圖像數(shù)據(jù)，可以進(jìn)行線(line)或邊緣(edge)的提取;根據(jù)相應(yīng)的領(lǐng)域，圖像、視頻和音頻數(shù)據(jù)可以有很多數(shù)字信號(hào)處理的方法對(duì)其進(jìn)行處理。

3.特征選擇

不同的特征對(duì)模型的準(zhǔn)確度的影響不同，有些特征與要解決的問題不相關(guān)，有些特征是冗余信息，這些特征都應(yīng)該被移除掉。特征選擇是自動(dòng)地選擇出對(duì)于問題最重要的那些特征子集的過程。常用的特征選擇方法可以分為3類：過濾式(filter)、包裹式(wrapper)和嵌入式(embedding)。

總的來說，數(shù)據(jù)會(huì)存在各種各樣的問題，針對(duì)這些問題我們的特征工程給出了相應(yīng)的解決辦法：

1. 特征解釋能力不足，我們可以嘗試使用特征構(gòu)建，對(duì)數(shù)據(jù)進(jìn)行升維來提升特征解釋能力;

2. 特征冗余，維度太高，噪聲太多，我們可以通過特征抽取和特征選擇，來對(duì)數(shù)據(jù)進(jìn)行降維去噪，提煉特征。當(dāng)然還有其他的特征處理方法，一般需要根據(jù)具體問題而定。

以上便是小編此次想要和大家共同分享的有關(guān)機(jī)器學(xué)習(xí)的內(nèi)容，如果你對(duì)本文內(nèi)容感到滿意，不妨持續(xù)關(guān)注我們網(wǎng)站喲。最后，十分感謝大家的閱讀，have a nice day!