一文讀懂機器學習分類演算法(附圖文詳解)

首頁 > 科技

一文讀懂機器學習分類演算法(附圖文詳解)

來源:養生知多少 釋出時間:2023-07-05 09:42

說起分類演算法,相信學過機器學習的同學都能侃上一二。

可是,你能夠如數家珍地說出所有常用的分類演算法,以及他們的特徵、優缺點嗎?比如說,你可以快速地回答下面的問題麼:

KNN演算法的優缺點是什麼?

Naive Bayes演算法的基本假設是什麼?

entropy loss是如何定義的?

最後,分類演算法調參常用的影象又有哪些?

答不上來?別怕!一起來透過這篇文章回顧一下機器學習分類演算法吧(本文適合已有機器學習分類演算法基礎的同學)。

機器學習是一種能從資料中學習的計算機程式設計科學以及藝術,就像下面這句話說得一樣。

機器學習是使計算機無需顯式程式設計就能學習的研究領域。——阿瑟·塞繆爾,1959年

不外還有一個更好的定義:

“假如一個程式在使用既有的經驗(E)執行某類任務(T)的過程中被以為是“具備學習能力的”,那麼它一定需要展現出:利用現有的經驗(E),不斷改善其完成既定任務(T)的機能(P)的特性。”——Tom Mitchell, 1997

例如,你的垃圾郵件過濾器是一個機器學習程式,透過學習使用者標記好的垃圾郵件和常規非垃圾郵件示例,它可以學會標記垃圾郵件。系統用於學習的示例稱為練習集。在此案例中,任務(T)是標記新郵件是否為垃圾郵件,經驗(E)是練習資料,機能度量(P) 需要定義。例如,你可以定義準確分類的電子郵件的比例為P。這種特殊的機能度量稱為準確度,這是一種有監視的學習方法,常被用於分類任務。

監視學習

在監視學習中,演算法從有標記資料中學習。在理解資料之後,該演算法透過將模式與未標記的新資料聯絡關係來確定應該給新資料賦哪種標籤。

監視學習可以分為兩類:分類和迴歸。

分類問題猜測資料所屬的種別;

分類的例子包括垃圾郵件檢測、客戶流失猜測、情感分析、犬種檢測等。

迴歸問題根據先前觀察到的資料猜測數值;

迴歸的例子包括房價猜測、股價猜測、身高-體重猜測等。

分類問題

分類是一種基於一個或多個自變數確定因變數所屬種別的技術。

▲分類用於猜測離散響應

邏輯迴歸

邏輯迴歸類似於線性迴歸,合用於因變數不是一個數值字的情況 (例如,一個“是/否”的響應)。它固然被稱為迴歸,但卻是基於根據迴歸的分類,將因變數分為兩類。

如上所述,邏輯迴歸用於猜測二分類的輸出。例如,假如信用卡公司構建一個模型來決定是否透過向客戶的發行信用卡申請,它將猜測客戶的信用卡是否會“違約”。

首先對變數之間的關係進行線性迴歸以構建模型,分類的閾值假設為0.5。

然後將Logistic函式應用於迴歸分析,得到兩類的機率。

該函式給出了事件發生和不發生機率的對數。最後,根據這兩類中較高的機率對變數進行分類。

上一篇:資料科學家必... 下一篇:怎麼在網上辦...
猜你喜歡
熱門閱讀
同類推薦