- 降维方法：
- principal component analysis
- conical correlation analysis
- singular value decomposition
- 原始数据预处理，三步骤
- data preprocessing
- feature engineering
- feature selection；其中特征选择又有3方法，即
- filter；select the best subset
- wrapper; generate a subset---->learning algorithm 循环；
- embedded method; generate a subset---->learning algorithm + performance 循环；
-
The process of machine learning机器学习步骤
image.png Some classification algorithms
- nearest neighbour
- Linear svm
- RBF svm
- Gaussian process
- decision tree
- random forest
- neural net
- ada boost
- naive bayes
-
QDA
image.png
-
几种算法
A. Regression- Ordinal Regression序数回归: data in rank ordered categories
- Poisson Regression: predicts event counts
- Fast forest quantile regression: predicts a distribution
- Linear regression: fast training, linear model
- Bayesian linear regression: linear model, small data sets
- neural network regression: accurate, long training times
- decision forest regression: accurate, fast training times
- boosted decision tree regression: accurate, fast training times, large memory footprint
B. Clustering - K-means: unsupervised learning
C. Anomaly detection 异常检测 - PCA-Based Anomaly detection: fast training times
- Two-class classification: under 100 features, aggressive boundary
D. Two-class classification - two-class SVM: under 100 features, linear model
- two-class averaged perceptron: fast training, linear model
- two-class bayes point machine: fast training, linear model
- two-class decision forest
- two-class regression
- two-class boosted decision tree
- two-class decision jungle
- two-class locally deep SVM
- two-class neural network
E. Multiclass Classification - multiclass logistic regression
- multiclass neural network
- multiclass decision forest
- multiclass decision jungle
- one-v-all multiclass: depend on the two-class classifier
Semi-supervised learning
Between supervised learning and unsupervised learning; 少部分数据有label，大多数数据没有label； 有高准确率，且与supervised learning相比，它训练成本低很多。-
Reinforcement Learning增强学习
从一系列动作中，学习到最大反馈方程，此处反馈方程可以是“bad actions”或“good action”； 增强学习常常用于自动驾驶中，即通过周遭环境的一系列反馈来做出决定。
image.png -
机器学习算法，分类图
image.png 一个tip
如果训练过程中，数据结果很好，但在评估阶段结果很差，那很有可能是overfitting了。-
常用validation的三种方法
hold-out validation，预留校验数据；适用大数据样本
-
k-fold cross validation，将训练集分成k等份；适用小数据样本
image.png leave-one-out validation（LOOCV），特殊的k-fold交叉校验，重复直至每个观察样本都作为过了校验数据。
-
评估模型的几种方法
image.png
-
A. accuracy（精确率）, precision(查准率)，recall（查全率）
如何判断哪个模型效果最好，可以通过F score，相关定义方程如下：
image.png
F越大越好
-
B. ROC curves
image.png
image.png
其中ROC 曲线图的优点是不受类分布（不平衡类分布）的 影响
-
C. AUC （area under curve）
image.png
其中，auc越高越好
-
D. R平方，coefficient of determination，【0,1】
It is a standard way of measuring how well the model fits the data.
image.png
缺点是：R总是这增长，从不会减少，所以数据更多的模型，它的R值总是更大，就会认为该模型更好；此外，如果训练数据更高阶，那么噪声很容易被误认为待训练数据，即噪声参与了模型的训练
一个tip
有时候一个准确率很高的模型并不能说它是有用的，比如，一个模型说99%无癌症，1%有癌症，这是一个样本分布不均匀的案例， 此时需要建立两个模型，模型A用来判定有癌症，模型B用来判定无癌症-
Bias和Variance问题
underfit属于high bias
overfit属于high variant
判断模型的好坏的过程中，如果训练集效果很好，但是校验集不好，那么是high variance问题（即overfit）；如果训练集和校验集效果都不好，那么是high bias问题（即underfit）。
解决方法：
image.png
