学习数据分析时 需要了解的一些机器学习算法

“大数据”这个词在今年来盛行，并且在接下来的几年中将继续盛行。在我们之前的文章中，我介绍了一些关于大数据，机器学习和数据挖掘的概念。现在让我们深入研究机器学习，简要介绍一些最常用的ML算法，没有代码，没有抽象理论，只有图片和一些如何使用它们的例子。

本文涉及的算法列表包括：

• 决策树
• 随机森林
• 逻辑回归
• 支持向量机
• 朴素贝叶斯
• K-最近邻
• K均值
• Adaboost的
• 神经网络
• 马尔科夫

1.决策树

使用某些属性将一组数据分类到不同的组中，在每个节点上执行测试，通过brach判断，进一步将数据拆分为两个不同的组，依此类推。测试基于现有数据完成，并且当添加新数据时，可以将其分类到相应的组

根据某些功能对数据进行分类，每当进程进入下一步时，都有一个判断分支，判断将数据分成两部分，然后进行处理。当使用现有数据进行测试时，新数据可以是现有数据学习的这些问题，当有新数据进入时，计算机可以将数据分类到正确的叶子中。

 

2.Random Forest
从原始数据中随机选择，并形成不同的子集。

 

Matrix S是原始数据，它包含1-N个数据行，而A，B，C是特征，最后一个C代表类别。

 

 

从S创建随机子集，假设我们有M组子集。

 

 

我们从这些子集中获取M组决策树：将
新数据投入到这些树中，我们可以获得M组结果，并且我们计算查看哪些结果在所有M组中最多，我们可以将其视为最终结果。

 

3.Logistic回归
当预测目标的概率大于0且小于或等于1时，简单线性模型无法实现。因为当定义域不在特定级别内时，范围将超过指定的间隔。

 

 

我们最好选择这种型号。

 

 

那么我们怎么能得到这个模型呢？
该模型需要满足两个条件，“大于或等于0”，“小于或等于1”

 

 

我们改变公式，我们可以得到逻辑回归模型：

通过计算原始数据，我们可以得到相应的系数。
我们得到了逻辑模型图。

4.Support Vector Machine
要将两个类与超平面分开，最好的选择是超平面从两个类中留下最大余量。因为Z2> Z1，所以绿色更好。

 

 

 

使用线性方程表示超平面，线上方的类大于或等于1，另一类小于或等于-1。

 

 

使用图表中的公式计算点到曲面的距离：

 

 

所以我们得到总保证金的表达如下，目的是最大化保证金，我们需要做的是最小化分母。

 

 

例如，我们使用3个点来找到最优超平面，定义权重向量=（2,3） - （1,1）

 

 

并获得权重向量（a，2a），将这两个点代入等式

 

 

当确认a时，使用（a，2a）的结果是支持向量，
在a和w0中代入的等式是支持向量机。

 

5.Naive Bayes
这里是NLP的一个例子：
给出一段文本，检查文本的态度是积极的还是消极的。

 

 

要解决这个问题，我们只能看一些单词：

 

 

而这些话只代表一些词语及其统计。

 

 

最初的问题是：给你一个句子，它属于哪个类别？
通过使用贝叶斯规则，这将是一个简单的问题。

 

 

在这个课程中，问题变成了这句话发生的概率是多少？并且记住不要忘记等式中的另外两个概率。
示例：单词“love”出现的概率在正类中为0.1，在负类中为0.001。

 

6.k-NearestNeighbor
当出现一个新的数据时，哪个类别的点数最接近它，它属于哪个类别。
例如：为了区分“狗”和“猫”，我们从两个特征“爪子”和“声音”来判断。圆圈和三角形是已知的类别，“星星”怎么样：

 

 

当K = 3时，这三条线连接最近的3个点，圆圈更多，因此“星”属于“猫”。

 

7.k-means
将数据分为3类，粉红色部分最大，黄色最小。
选择默认值3,2,1并计算其余数据与默认值之间的距离，并将其分类为具有最短距离的类。

 

 

分类后，计算每个类的平均值，并将其设置为新的中心。

 

 

几轮之后，我们可以在课程不再变化时停止。

 

8.Adaboost
Adaboost是提升的一种衡量标准。
提升是收集没有满意结果的分类器，并生成可能具有更好效果的分类器。
如下所示，树1和树2没有单独的好效果，但如果我们输入相同的数据，并总结结果，最终结果将更有说服力。

 

 

adaboost的一个例子，在手写识别中，面板可以提取许多特征，例如开始方向，起点和终点之间的距离等。

 

 

在训练机器时，它会得到每个特征的重量，如2和3，它们的写入起点非常相似，所以这个特征对分类几乎没有，所以它的重量很小。

 

 

但是这个α角具有很好的可识别性，因此这个特征的重量会很大。最终结果将是考虑所有这些功能的结果。

 

 

9.Nural Network
在NN中，输入可能最终成为至少两个类。
神经网络由neures和neures的连接组成。
第一层是输入层，最后一层是输出层。
在隐藏层和输出层中，它们都有自己的分类器。

 

 

当输入进入网络并被激活时，计算得分将传递到下一层。输出图层中显示的分数是每个类的分数。下面的例子得到了1级的结果;

 

传递给不同结的相同输入产生不同的分数，这是因为在每个结中，它具有不同的权重和偏差，这就是传播。

10.Markov
Markov Chain由状态和转换组成。
例如，根据“快速棕色狐狸跳过懒狗”获得马尔可夫链。
首先，我们需要在状态下设置每个单词，并且我们需要计算状态转换的概率。

这些是由一个单句计算的概率。当您使用大量文本数据来训练计算机时，您将获得更大的状态转换矩阵，例如可以跟随“the”的单词及其相应的概率。