机器学习实践

监督学习,熵,机器学习项目流程。

超参数选择

  • 网格搜索
  • 在高维空间中对一定区域进行遍历
  • 在高维空间中随机选择若干超参数

相关库(未使用)

几种参数估计的区别于联系: MLE、MAP、贝叶斯 TODO

余弦相似度(Cos距离)与欧氏距离的区别和联系

  • 欧式距离和余弦相似度都能度量 2 个向量之间的相似度
  • 放到向量空间中看,欧式距离衡量两点之间的直线距离 ,而余弦相似度计算的是两个向量之间的夹角
  • 没有归一化时 ,欧式距离的范围是 (0, +∞],而余弦相似度的范围是 (0, 1];余弦距离是计算相似程度 ,而欧氏距离计算的是相同程度 (对应值的相同程度)
  • 归一化的情况下 ,可以将空间想象成一个超球面(三维),欧氏距离就是球面上两点的直线距离,而向量余弦值等价于两点的球面距离,本质是一样。

监督学习和无监督学习

熵,求投掷均匀正六面体骰子的熵

什么是熵?

求投掷均匀正六面体骰子的熵

  • 问题描述:向空中投掷硬币,落地后有两种可能的状态,一个是正面朝上,另一个是反面朝上,每个状态出现的概率为1/2。如投掷均匀的正六面体的骰子,则可能会出现的状态有6个,每一个状态出现的概率均为1/6。试通过计算来比较状态的不确定性与硬币状态的不确定性的大小。
  • 答: 硬币: 六面体:

混淆矩阵、模型度量指标:准确率、精确率、召回率、F1 值等

混淆矩阵

  • True Positive(TP):将正类预测为正类的数量.
  • True Negative(TN):将负类预测为负类的数量.
  • False Positive(FP):将负类预测为正类数 → 误报 (Type I error).
  • False Negative(FN):将正类预测为负类数 → 漏报 (Type II error).

准确率 (accuracy)

精确率 (precision)

准确率与精确率的区别:

在正负样本不平衡的情况下,准确率 这个评价指标有很大的缺陷。比如在互联网广告里面,点击的数量是很少的,一般只有千分之几,如果用acc,即使全部预测成负类(不点击)acc 也有 99% 以上,没有意义。

召回率 (recall, sensitivity, true positive rate)

F1值 ——精确率和召回率的调和均值

只有当精确率和召回率都很高时,F1值才会高

如何处理数据中的缺失值

可以分为以下 2 种情况:

  1. 缺失值较多
    • 直接舍弃该列特征,否则可能会带来较大的噪声,从而对结果造成不良影响。
  2. 缺失值较少
    • 当缺失值较少(<10%)时,可以考虑对缺失值进行填充,以下是几种常用的填充策略:
    1. 用一个异常值 填充(比如 0),将缺失值作为一个特征处理 data.fillna(0)
    2. 均值 |条件均值 填充

      如果数据是不平衡的,那么应该使用条件均值填充

      所谓条件均值 ,指的是与缺失值所属标签相同的所有数据的均值

      data.fillna(data.mean())
    3. 用相邻数据填充
      # 用前一个数据填充
      data.fillna(method='pad')
      # 用后一个数据填充
      data.fillna(method='bfill') 
      
    4. 插值 data.interpolate()
    5. 拟合

      简单来说,就是将缺失值也作为一个预测问题来处理:将数据分为正常数据和缺失数据,对有值的数据采用随机森林等方法拟合,然后对有缺失值的数据进行预测,用预测的值来填充。

介绍一个完整的机器学习项目流程

  1. 数学抽象 明确问题是进行机器学习的第一步。机器学习的训练过程通常都是一件非常耗时的事情,胡乱尝试时间成本是非常高的。 这里的抽象成数学问题,指的是根据数据明确任务目标,是分类、还是回归,或者是聚类。
  2. 数据获取 数据决定了机器学习结果的上限,而算法只是尽可能逼近这个上限。 数据要有代表性,否则必然会过拟合。 对于分类问题,数据偏斜不能过于严重(平衡),不同类别的数据数量不要有数个数量级的差距。 对数据的量级要有一个评估,多少个样本,多少个特征,据此估算出内存需求。如果放不下就得考虑改进算法或者使用一些降维技巧,或者采用分布式计算。
  3. 预处理与特征选择 良好的数据要能够提取出良好的特征才能真正发挥效力。 预处理/数据清洗是很关键的步骤,往往能够使得算法的效果和性能得到显著提高。归一化、离散化、因子化、缺失值处理、去除共线性等,数据挖掘过程中很多时间就花在它们上面。这些工作简单可复制,收益稳定可预期,是机器学习的基础必备步骤。 筛选出显著特征、摒弃非显著特征,需要机器学习工程师反复理解业务。这对很多结果有决定性的影响。特征选择好了,非常简单的算法也能得出良好、稳定的结果。这需要运用特征有效性分析的相关技术,如相关系数、卡方检验、平均互信息、条件熵、后验概率、逻辑回归权重等方法。
  4. 模型训练与调优 直到这一步才用到我们上面说的算法进行训练。 现在很多算法都能够封装成黑盒使用。但是真正考验水平的是调整这些算法的(超)参数,使得结果变得更加优良。这需要我们对算法的原理有深入的理解。理解越深入,就越能发现问题的症结,提出良好的调优方案。
  5. 模型诊断 如何确定模型调优的方向与思路呢?这就需要对模型进行诊断的技术。 过拟合、欠拟合 判断是模型诊断中至关重要的一步。常见的方法如交叉验证,绘制学习曲线等。过拟合的基本调优思路是增加数据量,降低模型复杂度。欠拟合的基本调优思路是提高特征数量和质量,增加模型复杂度。 误差分析也是机器学习至关重要的步骤。通过观察误差样本,全面分析误差产生误差的原因:是参数的问题还是算法选择的问题,是特征的问题还是数据本身的问题...... 诊断后的模型需要进行调优,调优后的新模型需要重新进行诊断,这是一个反复迭代不断逼近的过程,需要不断地尝试, 进而达到最优状态。
  6. 模型融合/集成 一般来说,模型融合后都能使得效果有一定提升。而且效果很好。 工程上,主要提升算法准确度的方法是分别在模型的前端(特征清洗和预处理,不同的采样模式)与后端(模型融合)上下功夫。因为他们比较标准可复制,效果比较稳定。而直接调参的工作不会很多,毕竟大量数据训练起来太慢了,而且效果难以保证。
  7. 上线运行 这一部分内容主要跟工程实现的相关性更大。工程上是结果导向,模型在线上运行的效果直接决定模型的成败。不单纯包括其准确程度、误差等情况,还包括其运行的速度(时间复杂度)、资源消耗程度(空间复杂度)、稳定性是否可接受。 这些工作流程主要是工程实践上总结出的一些经验。并不是每个项目都包含完整的一个流程。这里的部分只是一个指导性的说明,只有多实践,多积累项目经验,才会有自己更深刻的认识。

数据清洗与特征处理

关联规则挖掘的 3 个度量指标:支持度、置信度、提升度

支持度 (Support)

  • X → Y 的支持度表示项集 {X,Y} 在总项集中出现的概率
  • 其中,I 表示总事务集,num()表示事务集中特定项集出现的次数,P(X)=num(X)/num(I)

置信度 (Confidence)

  • X → Y 的置信度表示在先决条件 X 发生的情况下,由规则 X → Y 推出 Y 的概率。

提升度 (Lift)

  • X → Y 的提升度表示含有X的条件下,同时含有Y的概率,与Y总体发生的概率之比。

规则的有效性:

  • 满足最小支持度和最小置信度的规则,叫做“强关联规则”

    最小支持度和最小置信度是人工设置的阈值

  • Lift(X→Y) > 1 的 X→Y 是有效的强关联规则
  • Lift(X→Y) <=1 的 X→Y 是有效的强关联规则
  • 特别地,Lift(X→Y) = 1 时,X 与 Y 相互独立。

判断规则的有效性

问题:已知有1000名顾客买年货,分为甲乙两组,每组各500人,其中甲组有500人买了茶叶,同时又有450人买了咖啡;乙组有450人买了咖啡,如表所示,请问“茶叶→咖啡”是一条有效的关联规则吗?

组次 买茶叶的人数 买咖啡的人数
甲组(500人) 500 450
乙组(500人) 0 450

答:

  • “茶叶→咖啡”的支持度:Support(X→Y) = 450 / 1000 = 45%
  • “茶叶→咖啡”的置信度:Confidence(X→Y) = 450 / 500 = 90%
  • “茶叶→咖啡”的提升度:Lift(X→Y) = 90% / 90% = 1

由于提升度 Lift(X→Y) = 1,表示 X 与 Y 相互独立。也就是说,是否购买咖啡,与是否购买茶叶无关联。规则“茶叶→咖啡”不成立,或者说几乎没有关联,虽然它的置信度高达90%,但它不是一条有效的关联规则。

下一节:逻辑斯蒂回归,决策树,支持向量机,梯度提升决策树 GBDT,随机森林