机器学习实用指南(一)：机器学习概览

作者：LeonG
本文参考自：《Hands-On Machine Learning with Scikit-Learn & TensorFlow 机器学习实用指南》，感谢中文AI社区ApacheCN提供翻译。

1. 什么是机器学习？

对于一个问题，我们有很多的解决方法，但是对于同一类型的问题难道我们都要自己来手动解决吗？如果没有一套完整的解决方案，问题会变得很复杂，比如垃圾邮件分类问题。

人可以识别什么是垃圾邮件，所以我们为邮件编写一个分类规则，比如出现限时促销 、在线赌场等字样，我们就可以把它归为垃圾邮件，这种方法称为传统方法。

但是这样的结果就是：规则越来越复杂，错误率也很高，那有什么办法让计算机自己分析邮件呢？

机器学习可以解决上述问题

我们先来看一下专家是怎么定义机器学习的：

机器学习是通过编程让计算机从数据中进行学习的科学（和艺术）。

机器学习是让计算机具有学习的能力，无需进行明确编程。 —— 亚瑟·萨缪尔，1959

计算机程序利用经验 E 学习任务 T，性能是 P，如果针对任务 T 的性能 P 随着经验 E 不断增 长，则称为机器学习。 —— 汤姆·米切尔，1997

这是我个人的理解：计算机使用某种算法对已有的数据进行学习，并能够分析新的数据得出合适的结论。

假设有一道初中数学题，那么初中生是怎么解决这道题目的？我们看看他的学习方式：

先找来已经解决过的类似的题目，然后把这些题目做出来，边做边总结方法，最后用总结出来的方法解决未知的题目。

将上图类比到机器学习，红色箭头就是人类需要手动做的事情，寻找数据集，测试算法模型的准确度，而黑色箭头则是机器学习自动完成的部分，自动分析数据，自动优化算法模型。

再将这个例子和机器学习做一个类比：

根据这两幅图，我们可以做出总结：

计算机通过数据来优化算法模型，优化后的算法模型用于解决新的实际问题。

那么，对于机器学习来说，最重要的两个关键点就是： 数据 + 算法，机器学习和人类一样，既需要足够多的数据（知识），也需要良好的算法（学习方法）。

回到开头的问题，那么相较于传统的方法，机器学习的好处有哪些？

机器学习四大优势：

• 简化程序

  机器学习省略了复杂的规则编写，只需要设计出合理的算法，并给出合适的数据集，机器学习就能提供一个效果很好的算法模型。

• 自主学习

  机器学习可以自动的学习，通过不断的输入数据，调整自己的参数，这一切都不需要人手动干预。

• 泛化能力

  传统的方法遇到了新的问题必须自己更新规则和计算方法，工作量很大。而机器学习可以自动学习新的规则。

• 数据挖掘

  机器学习能够分析出数据对结果的影响，而且能将隐藏的联系展现出来，比如当地房价和政府对城市环保的投资力度有关。人很难分析出这种隐含的关系，而机器学习可以帮助我们。

2. 机器学习的类型

机器学习按照不同的标准可以分为很多种类，我们按照三种方式将其分类：

1. 是否在人类监督下进行训练（监督，无监督，半监督和强化学习）

2. 是否可以动态渐进学习（在线学习 vs 批量学习）

3. 是否只是通过简单地比较新的数据点和已知的数据点，或者是在训练数据中进行模式识别，以建立一个预测模型，就像科学家所做的那样（基于实例学习 vs 基于模型学习）

根据是否在人类监督下进行训练的标准我们可以分为以下三种类型：

（1）监督学习

在监督学习的训练过程中，训练的数据都包含了标签,那什么是标签呢？

很好理解，我们还是拿初中生学习的例子来说。

如果把一本习题集比作我们要学习的数据，那么习题集后面的参考答案就是标签，它为我们做题目指引了方向，做错了就改正，做对了继续下一题，这种学习就是监督学习。

而监督学习一般又分为一下两类任务：

• 分类

  顾名思义，就是通过学习已经分好的数据，对新的数据进行分类。比如垃圾邮件分类器，就是先输入带有是否为垃圾邮件标签的邮件，让计算机进行学习，再对没有分类的邮件进行判断。上面有示意图。

• 回归

  回归就是预测目标数值，比如我想通过研究戴尔笔记本不同型号的配置，比如cpu、内存、显卡和它们定价之间的联系，然后来预测最新款的笔记本价格在什么范围内，这就是预测。

  预测new instance对应的value

（2）无监督学习

加了一个“无”字，意思就是没有标签咯？没错，无监督学习就是使用不带标签的数据进行学习。

这就奇怪了，如果做题目没有答案给我参考，我怎么知道自己是不是做对了呢？

无监督学习中，数据是没有标签的或者是有一样的标签的。我们不知道数据的含义和作用，我们需要计算机自己进行分析和处理。

不用担心看不懂，来看看无监督学习的几个主要任务你就明白了。

• 聚类

  聚类就是将数据自动分离成几个部分，每个部分的内部都有相似之处。下面我们举一个简单的例子。

大家应该都喜欢看电影吧，一个人去看电影的孤独想必大家都不想体会。假定你是一个大学生，那怎么样才能在班上找到和自己兴趣相投的电影爱好者呢？

我们可以收集一份班上同学的电影爱好表，然后按照大家的爱好信息将类型相近的同学分为一组，这样我们就可以将所有的同学分成很多组，比如文艺片爱好者，动作片爱好者，科幻片爱好者。这就是一种聚类学习。

• 降维

  降维就是剔除对数据影响较低的特征，优化数据的结构，减少数据的复杂度，还是举一个例子。

你还是一个爱看电影的大学生，但是马上要期末考了，不得不放下心爱的电影。由于你看电影上头，所有的科目都还没有复习，是不是要做一些取舍。

每一门课程对你来说重要程度肯定不一样。比如影视鉴赏选修课，这一门听学长说是稳过的，那我们就没必要将精力集中在这门课上，可以从复习计划中删除。而高等数学成绩直接影响了你整个大学生涯，所以我们要重视这门课。大学英语和专业英语是同类型课程，可以合并在一起学习。

这就是一种降维方法，将数据中不同的特征进行一些处理，分析哪些特征对结果的影响最大， 剔除对结果影响不大的特征，或者是将若干个特征进行合并，以便我们的算法更集中的分析重要的数据。

提示：在用训练集训练机器学习算法（比如监督学习算法）时，最好对训练集进行降 维。这样可以运行的更快，占用的硬盘和内存空间更少，有些情况下性能也更好。

• 异常检测

  我们常常使用无监督学习来分析数据里是否存在异常的数据，也就是不合群的数据。然后将这种数据剔除。

在正常的训练过程中，遇到一个新的数据，我们也可以判断这个数据是正常值还是异常值。

比如周末你闲赋在家，检查了自己保存的所有电影票根，发现只有万达影城的票特别贵，所以决定以后都不去万达影城了。这就是异常检测。

• 关联规则

  最后，另一个常见的非监督任务是关联规则学习，它的目标是挖掘大量数据以找出数据特征之间的某些联系。

例如，寒假期间你在电影院打工，善于观察的你发现买了爆米花的人大概率也会买可乐，因此你推荐老板将爆米花和可乐做成套餐出售，这就是关联规则。

（3）半监督学习

一些算法可以处理部分带标签的训练数据，通常是大量不带标签数据加上小部分带标签数据。这称作半监督学习。

我们假设喜欢看电影的你，同时也爱收藏票根。有一次你在家整理电影票根，发现一部分票根上面的影城信息磨损了。我们按照小票的颜色和格式将不同的票根分类（这一步是无监督学习的方法），然后再看每一类中没有磨损的票根上面的影城信息，就能推导出每张票来自哪个影城了。（这一步是监督学习的方法）。

所以我们会发现：

多数半监督学习算法是非监督和监督算法的结合。

（4）强化学习

强化学习非常不同。学习系统在这里被称为智能体（agent），可以对环境进行观察，选择和执行动作，获得奖励或惩罚。然后它必须自己学习哪个是最佳方法（称为策略，policy），以得到长久的最大奖励。策略决定了智能体在给定情况下应该采取的行动。

AlphaGo就是强化学习的典型代表，它通过不断的试错，最后得出一套完整的围棋制胜策略，打败了人类的最高水平。

另一个用来分类机器学习的准则是，它是否能从导入的数据流中进行持续的学习。

（1）批量学习

批量学习是一次性将所有的数据进行学习，这样一般会占用很多的时间和计算资源，计算完了之后再开始使用。一般的学习方式都是批量学习，因为方法简单。

举个例子，初中数学书是人教版的，如果我们把人教版的书和习题全部学习一遍，再去考试，这就是批量学习，学习是一次性的。

假如考试范围不仅仅是人教版的，还有苏教版呢，那这个学生又要重新学习一遍苏教版的内容。

这就是批量学习的不足之处，，用全部数据训练需要大量计算资源（CPU、内存空间、磁盘空间、磁盘 I/O、网络 I/O等等）。如果你有大量数据，并让系统每天自动从头开始训练，就会开销很大。如果数据量巨大，甚至无法使用批量学习算法。最后，如果你的系统需要自动学习，但是资源有限（比如，一台智能手机或火星车），携带大量训练数据、每天花费数小时的大量资源进行训练是不实际的。

（2）增量学习

增量学习也叫在线学习，持续性学习，顾名思义，就是持续地输入数据，算法根据每次输入的数据进行相应的调整。每一个学习步骤都很快而且开销很小。所以系统可以动态的学习新的数据。

也可以当机器的内存存不下大量数据集时，用来训练系统（这称作核外学习，out-of-core learning）。算法加载部分的数据，用这些数据进行训练，重复这个过程，直到用所有数据都进行了训练。

还有一种分类标准是判断它们是如何进行归纳推广的。分为基于实例的学习和基于模型的学习。

基于实例的学习是直接对数据进行记忆，然后用相似度的方式来推广至新的数据。比如K近邻、朴素贝叶斯。

基于模型的学习则是先选择合适的模型，再用数据对模型进行训练。比如多元线性回归、支持向量机、深度学习。

比如线性回归算法，就是先假定数据符合​这样一个线性的拟合函数。然后通过调整​和​的值，拟合训练数据：

3. 机器学习面临的主要问题

简单的来说，机器学习面临的主要问题来自两个方向，也就是机器学习最最重要的两个关键点：数据 + 算法

• 训练数据少

  如果一个学生只学了几道题目就参加期末考试，那他可能会考得一塌糊涂，计算机也是这样，如果训练数据太少了，多数机器学习算法就无法正常工作。

  即便对于一些非常简单的问题，也需要数千的样本。而对于复杂的问题，比如图像、语音识别，则可能需要数百万的样本。

  在2001年的一篇论文中，作者研究了不同算法在数据量级增加时表现出的性能，实验证明一旦有大量数据进行训练，不同算法之间的差异会大大减小。这就是传说中的天赋不够，努力来凑吧。

• 数据没有代表性

  数据具有代表性是非常重要的。举个例子，如果很多人都跟你吐槽最近上映的一部电影很烂，你接收到的信息都是关于这部电影的缺点，那么你很有可能再还没有看之前就把这部电影判了死刑。

  使用了没有代表性的训练集，我们就会得出与事实不太相符的结论。书上也举了一个很好的例子。

  一个样本偏差的著名案例

  也许关于样本偏差最有名的案例发生在 1936 年兰登和罗斯福的美国大选：《文学文摘》做了一个非常大的民调，给 1000 万人邮寄了调查信。

  得到了 240 万回信，非常有信心地预测兰登会以 57% 赢得大选。然而，罗斯福赢得了 62% 的选票。

  错误发生在《文学文摘》的取样方法：

  首先，为了获取发信地址，《文学文摘》使用了电话黄页、杂志订阅用户、俱乐部会员等相似的列表。所有这些列表都偏向于富裕人群，他们都倾向于投票给共和党（即兰登）。

  第二，只有 25% 的回答了调研。这就又一次引入了样本偏差，它排除了不关心政治的人、不喜欢《文学文摘》的人，和其它关键人群。这种特殊的样本偏差称作无应答偏差。

• 低质量数据

  有的数据具有明显的异常或是缺失关键信息，那么这种数据就是低质量数据。系统检测出潜在的数据规律难度就会变大，性能就会降低。事实上这个问题很严重，所以实际工作中我们要花很多时间在数据清洗上。

• 不相关的特征

  有的数据特征跟你的结论毫无关联，就需要剔除掉。

  比如影响你期末成绩的课程有数学、英语、专业课，但是不应该包括你喜欢的游戏类型，如果你把你喜欢的游戏类型加进来一起分析，可能得不到任何正面的作用。

  机器学习项目成功的关键之一是用好的特征进行训练。

现在数据造成的问题我们已经分析完了，再看看算法会导致的问题。

• 欠拟合训练数据

  假如你的算法模型过于简单，那么就不能得到很好的拟合效果。

  比如我们想研究每个月电影上映的数量。如果用一个线性的模型来拟合显然是不合适的，每个月上映的电影数量跟月份并不是简单的线性关系，这样就会出现欠拟合的现象。

  解决这个问题的选项包括：

  选择一个更强大的模型，带有更多参数

  用更好的特征训练学习算法（特征工程）

  减小对模型的限制

• 过拟合训练数据

  相反，过拟合就是指由于训练数据包含抽样误差，训练时，复杂的模型将抽样误差也考虑在内，将抽样误差也进行了很好的拟合。

  具体表现就是最终模型在训练集上效果好；在测试集上效果差。模型泛化能力弱。

  用数学老师的一句话描述过拟合：

  同样的题目教了无数遍，我换两个数字你们就不会做了？？

  可能的解决方案有：

  简化模型，可以通过选择一个参数更少的模型（比如使用线性模型，而不是高阶多项式模型）、减少训练数据的属性数、或限制一下模型

  收集更多的训练数据

  减小训练数据的噪声（比如，修改数据错误和去除异常值）

4. 测试和确认

讲了这么多，那如何判断一个算法模型得出的结论是好还是坏呢？一种比较常见的方法是将数据分为训练集和测试集两个部分。

用训练集训练算法模型，再用测试集测试准确率。

还是以初中生学习作为例子，一本习题册分为10个部分，前8个部分作为学习部分，我们边做边对答案，然后总结解题的思路。后面2个部分作为测试，测试完之后的得分情况就代表自己对这种题目的掌握程度。

因此，评估一个模型很简单：只要使用测试集。现在假设你在两个模型之间犹豫不决（比如一个线性模型和一个多项式模型）：如何做决定呢？一种方法是两个都训练，然后比较在测试集上的效果。

我们通过修改一些超参数（不能通过学习来自动调整的参数）来降低误差，但是这种方法在实际中的应用效果却并没有想象的那么好。

这是因为超参数都是基于测试集来调整的，就相当于把测试集当成了训练超参数的数据。这样对于新的数据效果不一定会更好。

解决办法是：

保留一个数据集作为验证集，在这些步骤做完之后再进行最终的验证。

类比到学习问题上就是对一本习题集进行反复学习，然后做很多的模拟测试来适应考试状态，最后进行一次考试，这样才能检测出你真实的学习水平。

但是这种方法会减少训练集，有一种比较常用的方法是交叉验证法，这里不过多赘述，在后面的章节会学习到。

交叉验证法：训练集分成互补的子集，每个模型用不同的子集训练，再用剩下的子集验证。一旦确定模型类型和超参数，最终的模型使用这些超参数和全部的训练集进行训练，用测试集得到推广误差率。

最后解决一个许多新手都有的疑惑，机器学习发展了这么多年，有没有一种万能的算法能解决所有的学习问题？

这就好比问数学老师，有没有一种方法能解题思路能解开所有的数学题目？

答案是不能。在1996年的一篇著名论文中，David Wolpert证明没有一种机器学习算法能解决所有的问题，这称作没有免费午餐（NFL）公理。

对于一些数据集，最佳模型是线性模型，而对其它数据集则是神经网络。没有一个模型可以保证效果更好（如这个公理的名字所示）。所以机器学习首先面临的问题是：

到底选择哪一种机器学习算法得到的效果更佳？

欢迎来我的博客留言讨论，我的博客主页：LeonG的博客

本文参考自：《Hands-On Machine Learning with Scikit-Learn & TensorFlow机器学习实用指南》，感谢中文AI社区ApacheCN提供翻译。

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。