机器学习入门 | 必知必会的基础理论

文章大纲

一、什么是机器学习、数据挖掘？

1、AI是什么？

AI（人工智能）是研究开发用于模拟、延伸和扩展人的智能理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支。
AI的应用场景：必备基础 "机器学习"

机器学习的应用场景

2、机器学习是什么？

机器学习就是让机器有学习的能力，让机器通过"某种策略", 学习"历史数据"后，能够进行一定"预测"和"识别"的能力。

3、数据挖掘是什么？

数据挖掘是指从大量数据中通过算法搜索隐藏于其中信息的过程。机器学习是支撑数据挖掘的手段。从关系上看，数据挖掘包括机器学习。

4、为什么需要数据挖掘？

面临复杂且大量的新数据集时，传统数据分析计算常常遇到瓶颈，我们将常见瓶颈进行抽象。
1、高维性数据：随着5G及物联网的建设，数据量将会呈指数级的增长，常常遇到成百上千属性的维度，可想象，计算复杂度将迅速增加。
2、非结构化数据：非结构化数据也包含许多含金量的信息，例如视频、音频、文本等等，这些都是传统数据分析方法无法获取的信息。
3、自动及智能问题。传统分析方法常规流程就是"提出假设-验证假设"，但这一过程劳力费神。当前的数据分析任务常常需要产生和评估数千种假设，因此需要自动、智能的手段。

注：数据挖掘非万能法则，数据分析也非所想的不堪，两者的结合应用才能更好的为业务赋能。事实上，数据挖掘是需要数据分析进行辅助的，比如数据探索，特征工程。

二、机器学习所需要的基础理论

• 让机器通过"某种策略", 学习"历史数据"后，能够进行一定"预测"和"识别"的能力

1、某种策略（模型）、损失、模型训练和标签

1）模型是什么？以"一元线性回归"为例

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

df1 = pd.DataFrame({'用户人数':[100,200,300,400,500],'销售额(元)':[1000,2000,3000,4000,5000]})
df1.plot(x='用户人数',y='销售额(元)')

from sklearn.linear_model import LinearRegression
x = df1['用户人数'].values.reshape(-1,1)
y = df1['销售额(元)']
lr = LinearRegression()
lr.fit(x,y)

# 模型的斜率
lr.coef_

lr.predict(np.array([600]).reshape(-1,1))

假设用户人数为600，那销量是 6000 ，这是模型的预测能力。

2）损失

损失是对糟糕预测的惩罚。损失是一个数值，表示对于单个样本而言，模型预测的准确程度。如果模型的预测完全准确，则损失为零，否则损失会较大。如下图：那副图的损失更大？红色箭头表示损失，蓝色线表示预测，可见图二的模型更准确（预测值-实际值），图一的损失更大。

3）模型训练

模型训练表示通过有标签样本来学习（确定）所有权重和偏差的理想值。模型训练检查多个样本，并尝试找出可最大限度的减少损失的模型（方向）。比如：上面的线性回归，k 和 b 都是两个未知的参数 ，根据已有的样本 x 和 y 去训练模型。

y = kx + b

4）标签

标签，白话说就是模型的 y 值，比如上面的线性回归标签就是销售额，抽象的说，标签就是结论。比如：【x，y】——【用户人数，销售额】——【100,1000】，就是一个样本。

2、代价函数（损失函数）

• 代价函数：是一个数学函数，能够以有意义的方式汇总各种损失
• 最常见的代价函数：MSE（均方误差）指的是每个样本平均平方损失。

注：MSE 常用于机器学习，但它不是唯一实用的损失函数，也不是适用于所有模型最佳的损失函数。

三、划分数据集（训练、验证、测试）

1）训练集与测试集（常见模式）

训练集：用于训练模型的子集
测试集：用于测试训练后模型的子集

• 举个例子：训练集相当于上课学知识，测试集相当于期末考试，用来最终评估学习效果。

2）划分注意点:

① 通常将数据集的70%作为训练集，30%作为测试集（8 : 2也行），并且挑选的测试集的特征应该与训练集的特征相同。
② 通常需要在开始构建模型之前把数据集进行划分，防止数据窥探偏误。也就是说，我们避免了解太多关于测试集中的样本特点，防止我们认为的挑选有助于测试集数据的模型。这样的结果会过于乐观，但是实际上并没有预期的那样优秀。
③ 对于时序数据集、训练集和测试集需按时间划分。比如说我目前有 1-10 月的数据，那么 1-8 月作为训练集，9-10月作为测试级。

• 原因：假设我们有了这个模型以后，都是用历史的数据，去预测未来的数据的，所以我们在训练数据的时候也要符合这个模式。

3）流程:

借助这种划分，可以对一个样本集进行训练，然后使用不同的样本集测试模型。采用两种分类以后，工作流程可能如下所示。

• 缺点：相当于不断的利用测试集（未来数据）去调整模型，类似数据窥探的效果会增大模型过拟合的风险。

4）优化后的流程:

• 缺点：① 验证集的缺点，10%数据很宝贵，拿去训练模型可能会产生更好的效果。② 繁琐
  通常采用第一种（测试集和训练集），如果发现训练模型过拟合，通过手段没有降低的话，可以采用第二种模式。

四、交叉验证（Cross Validation）

• 交叉验证的基本思想是把在某种意义下将原始数据进行分组，一部分作为训练集（train set），另一部分作为验证集（validation set or test set）。首先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型（model），以此来作为评价分类器的性能指标。
• 目的 : 用交叉验证的目的是为了得到可靠稳定的模型。
• 留出法(Holdout cross validation)：上面提到的按照固定比例将数据集静态的划分为训练集、验证集、测试集的方法就是留出法。
• 留一法(Leave one out cross validation )：每次的测试集都只有一个样本，需要进行 n 次训练和预测。这个方法用于训练的数据只比仅整体数据集少了一个样本，因此最接近原始样本的分布。但是训练复杂度增加了，因为模型的数量与原始数据样本数量相同，一般在数据缺乏时使用。
• K折交叉验证(k-fold cross validation ):静态的留出法对数据的划分方式比较敏感，有可能不同的划分方式得到了不同的模型。【K折交叉验证】是一种动态的验证方式，这种方式可以降低数据划分带来的影响，会得到一个更可靠的模型。具体步骤如下：
• 五折交叉验证法：

① 将所有的数据集均匀的分成五份
② 不重复的每次取出其中一份做测试集，用其他四份做训练集训练模型，之后计算该模型在测试集上的MSE
③ 将五次的MSE取平均得到的最后的MSE，作为评价模型的指标

五、泛化能力与过拟合

• 泛化能力：对未知数据 (新数据) 的预测能力。

• 过拟合: 指的是模型在训练集上表现的很好，但是在交叉验证集合和测试集上表现一般，也就是说模型对未知样本的预测表现一般，泛化能力较差。
  举例：比如下图三个模型，绿色表示训练集样本，红线表示模型的预测能力，蓝色表示新样本点。看模型三在训练集表示很好，但是在新样本表现一般，所以说泛化能力较差，出现过拟合。模型一在训练集表现的也不好，新样本预测也不好，称之为欠拟合。最终我们选择模型二，泛化能力越好，就是越好的模型。

  
  哪个模型的泛化能力较差？

为什么会产生过拟合？

• ① 训练数据集合训练数据集样本单一，样本不足。如果训练样本只有负样本，然后拿生成的模型去预测正样本，这肯定预测不准，所以训练样本要尽可能的全面，覆盖所有的数据类型。
• ②训练数据中噪声干扰过大，噪声指训练数据中的干扰数据，过多的干扰会导致记录了很多噪声特征，忽略了真实输入和输出之间的关系。
• ③ 模型过于复杂，模型太复杂，已经能够死记硬背记下了训练数据的信息，但是遇到没有见过的数据的时候不能够变通，泛化能力太差。我们希望模型对不同的模型都有稳定的输出，模型太复杂是过拟合的重要因素。

如何降低过拟合？

• ① 获取和使用更多的数据（数据集增强）是解决过拟合的根本性方法。

• ② 采用合适的模型，控制模型的复杂度。根据奥卡姆剃刀法则：在同样能够解释已知观测现象的假设中，我们应该挑选 "最简单" 的那一个，对于模型的设计而言，我们应该选择简单合适的模型解决复杂的问题。

  
  
• ③ 降低特征的数量。对于一些特征工程而言，可以降低特征的数量，删除冗余特征，人工选择保留哪些特征，这种方法也可以解决过拟合问题。
• ④ 正则化，正则化就是在模型的代价函数里添加一个约束，使得可以减少模型参数的候选空间，使得模型更加简洁，本质上是控制模型复杂度。
• ⑤ dropout是在训练网络时用的一种技巧，相当于在隐藏单元增加了到噪声。drop out指的是在训练过程中，每次按一定的概率，比如50%，随机的删除一部分隐藏单元神经元。所谓的删除不是真正意义上的删除，其实就是将该部分神经元的激活函数设为零，激活函数的输出为零，让这些神经元不计算而已。
• ⑥ 提前终止，对模型进行训练的过程即是对模型的参数进行学习更新的过程。这个参数学习的过程往往会用到一些迭代方法，比如梯度下降Early stopping是一种迭代次数截断的方法来阻止过拟合的方法。即在模型对训练数据及迭代收敛之前停止迭代来防止过拟合。

所以，总的来说，一个好的模型，损失函数尽可能的小，泛化能力尽可能大。

六、模型类别

• 监督学习
  监督学习是从<x,y标签>这样的事例中学习统计规律，然后对于新的 x 给出对应的 y 。通俗的讲，就是根据已有的数据集知道输入和输出结果之间的关系，根据这种已知的关系,训练得到一个最优模型。
  ① 分类模型：标签为分类型数据，比如预测用户是否流失（标签 y 为【是否】）
  ② 回归模型：标签为数值数据，比如预测销售额。

• 监督学习常见模型
  K-近邻（KNN）
  线性回归（回归模型）
  逻辑回归（分类模型）
  支持向量机
  决策树和随机森林
  神经网络

• 无监督学习
  相比监督学习没有标注数据，也就是 y。无监督学习是从一堆数据中学习其内在统计规律或内在结构。学习到的模型可以是类别，转换或者概率，这些模型可以实现对数据的聚类、降维、可视化、概率估计和关联规则学习。

• 无监督学习常见模型
  a.聚类算法
  k-means算法(kmeans)
  密度聚类算法
  最大期望算法(EM)
  b.降维
  主成分分析(PCA)
  c.关联规则学习
  Apriori
  d. 时间序列预测

• 半监督学习
  半监督学习包含大量未标注数据和少量标注数据，主要是利用未标注中的信息辅助标注数据进行监督学习。大多数半监督学习算法是无监督式和监督式算法的结合。

七、模型评估

不同类型的模型评估方法不一。
先讲一个常见误区，大家是否觉得评估模型就用模型准确率 ？

• 实际例子，小a是某运营商的一名数据分析师，老板最近和他说："小a，最近我们这个 xx 流量产品每月流失用户都挺多的，能不能帮忙想想办法。"，小a 思考了一下，觉得假设我们能预测出下个月流失用户的名单，那我们是不是能提前对这批用户发发优惠，或者引导他们升级变更其他流量产品去挽留他们呢？

• 模型准确率9/10 = 90%
• 记得我们的任务目标吗，我们目标是不是想预测出哪些用户流失了？那这个模型在预测流失用户的表现如何，模型一个流失用户都没预测出来，尽管模型的准确率是90%这么高，但对于我们的业务来说，是无效模型。

分类评估指标

• ① 一级指标（底层指标）
  混淆矩阵：混淆矩阵就是分别统计分类模型、归错类、归对类的观测值个数，然后把结果放在一个表里展示出来，这个表就是混淆矩阵。
• 真实值是positive，模型认为是positive的数量（True Positive =TP），真阳性。
• 真实值是positive，模型认为是negative的数量（False Negative = FN），这就是统计学上的第一类错误，弃真，假阴性。
• 真实值是negative，模型认为是positive的数量（False Positive = FP），这就是统计学上的第二类错误，纳伪，假阳性。
• 真实值是negative，模型认为是negative的数量（True Negative = TN），真阴性。

• 套上例子：
  实际为流失用户，而模型预测也是流失用户的数量，即为TP
  实际为流失用户，而模型预测时非流失用户的数量，即为FN
  实际为非流失用户，而模型预测的是流失用户的数量，即为FP
  实际为非流失用户，而模型预测是非流失用户的数量，即为TN

混淆矩阵怎么看？预测性分类模型肯定是希望越准越好，那么对应到混淆矩阵中，那肯定是希望TP和TN的数量大，而FP与FN的数量小。

② 二级指标
混淆矩阵里面统计的是个数，有时候面对大量的数据，光凭算个数很难衡量模型的优劣。因此混淆矩阵在基本的统计结果上又延伸了如下四个指标，我们称它为二级指标。

• accuracy （准确率）:（TP + TN）/（TP + FN + FP + FN）
  意义:分类模型所有判断正确的结果占总观测值的比重，一般不用
• precision（准确率）：TP /（TP + FP）
  意义:表示预测为正的样本数有多少是对的，可解释性强，常用越高越好。
• record （召回率、查全率，真正率TPR）：TP / ( TP + FN)
  意义：表示样本中的正例有多少被预测正确，可解释强，常用越高越好。
• FPR （假正率） ：FP / （FP + FN）
  意义：表示当前被错误分到正样本类别中真实的负样本 所占所有负样本总数 的比例，越低越好。

• ③三级指标
• ROC curve，这个曲线就是以下 TPR 和 FPR 为轴，取不同的阈值点画的。
• 模型去预测分类型任务的时候，本质上是预测分类型的概率的，比如计算流失的概率，如果这个概率大于阈值0.5的话，这即为流失，所以这里就有个阈值的存在。不同的阈值，会有不同的TP 、FP。

ROC_AUC:AUC就是曲线下面积，我们根据ROC曲线想一下，到底我们这个曲线涨什么样的模型才算好呢？TR率是越高越好，FP率是越低越好，所以我们的曲线应该是越靠近Y轴越好。（粗鲁）理解最终可抽象成，ROC曲线下面积越大越好，即AUC越大越好。

AUC评判标准 :
0.5-0.7 : 效果较低，但预测股票已经很不错了。
0.7-0.85 : 效果一般
0.85-0.95 : 效果很好
0.95-1 : 效果非常好，但不太可能

f1值:(2*Precision * Recall/(Precision+Record)
意义：我们的模型想recall和precision都高，但鱼与熊掌不可兼得，如果想要找到它们的平衡，那就用f1值。

• 分类评估指标，如何选择？
  选择方针，根据你模型所解决的目的进行选择，比如我想现在。训练一个模型来识别出哪些是在逃罪犯？（宁可错杀1000，也不放过一个）-- recall，因为recall为表示样本中的正例有多少被预测正确，对于这个模型，就是所有的在逃罪犯为分母，模型预测为在逃罪犯为分子。假设recall为1，也就是所有的在逃罪犯模型都预测正确了。
• 根据指标可解释性去选择。实际工作中常常要向不懂机器学习的人去解释模型的效果，类似roc_auc和f1值，这种三级指标可解释性较弱，所以我们一般是选择recall和precision。

回归评估指标

• 平均绝对误差MAE

  
  

• 均方误差 MSE

  
  
  

  相对MAE而言，MSE的数值更大。

• 均方根误差 RMSE

  
  

• 中位绝对误差

  
  

• r^2决定系数（拟合优度）

回归评估指标如何选择？

• 一般选择MSE作为评估指标
• MSE的误差的量纲相对较大。若选看量纲接近业务水平的，用MSE和RMSE
• 若担心某个误差较大会影响整体的评估指标，用MedAE
• 如果模型希望的是找到能够解释目标y变动的因变量，则选用R Squared更合适。

机器学习的基础概念介绍到这里，懂得了基础概念，才能开始后续的学习。