【论文学习笔记】机器学习发展及八种机器学习的基础算法_几种机器学习算法的发展

你可以在我的幕布里面查看这篇文章，也可以查看对应的思维导图

你可以转载或者保存，如果能注明出处或者点个赞那是最好的啦
感谢！

论文学习：机器学习及其相关算法综述（2007）

• label: 国内，机器学习，综述，人大统计学院

• 分类

  • 按样本特性分？？

    • 监督学习（有指导的学习）:带有标签

    • 无监督学习：无标签

    • 半监督学习：部分带有标签

      • 采用归纳——演绎式方法：从带标签样本推断出一定规律，再用规律推断无标签样本的标志

      • 现阶段半监督学习性能不太稳定（2007）

      • 代表方法：1利用朴素贝叶斯生成式模型.
        2通过EM算法进行标记估计和参数估计。3.通过转导推断优化特定测试集上的性能。
        4.利用独立冗余属性来进行协同训练

  • 按度量结果分

    • 回归问题（定量分析）：针对连续数据

    • 分类问题（定性分析）：针对离散数据

• 发展历程（四个时期）

  • 机器学习是人工智能研究较为年轻的分支

  • 第一阶段（热烈时期）：20世纪50年代中叶到60年代中叶

    • 热烈时期：“没有知识”的学习

    • 研究对象：各类自组织系统和自适应系统

    • 研究方法：不断修改系统的控制参数和修改系统的执行能力，不涉及具体任务

    • 代表成果：塞缪尔（Samuel）下棋程序

    • 结果：不能满足对机器学习系统的期望

  • 第二阶段（）冷静时期）：20世纪60年代中叶到70年代中叶

    • 研究目标：模拟人类的概念学习过程

    • 研究方法：采用逻辑结构或图结构作为机器内部描述

    • 代表成果：温斯顿的结构学习系统，海梅罗思的基本逻辑的归纳学习系统

  • 第三阶段（复兴阶段）：20世纪70年代中叶到80年代中叶

    • 进步：开始把学习系统与各种应用结合，从学习单个概念拓展到多个概念

    • 1980年美国卡内基梅隆（CMU）召开第一届及去学习国际研讨会——机器学习研究兴起

  • 第四阶段（现阶段）：从三个研究方向进行

    • 1.面向任务：分析跟开发学习系统——专家系统

    • 2.认识模拟：研究模拟人类的学习过程——心理学角度

    • 3.理论分析

  • 八种常用算法

    • 1.决策树

      • 树状预测模型，核心是选择分裂属性和决策树的剪枝

      • 算法：ID3，C4.5，CART。均采用自顶向下的贪婪算法

    • 2.随机森林算法

      • 当数据中噪声或者分裂属性过多时，无法解决决策树不平衡或过拟合的问题

      • 通过构造多分类器或回归器的集成能提高分类或预测精度

      • 随机森林由多个决策树构成，每一颗决策树对输入向量X进行投票，最终票数最多的就是最终标签

      • 可用于处理回归、分类、聚类以及生存问题等

      • 随机森林的广义误差上界可以根据两个参数推推导出来

    • 3.人工神经网络（ANN）

      • ANN模型之间的差异主要表现再：研究途径、网络结构、运行方式、学习算法和应用上

      • 常见模型：多层前向神经网络（MLFN）、自组织神经网络SOM、ART、Hopfield神经网络、模糊神经网络FNN

      • 重点：构造阈值逻辑单元

      • 神经网络是基于经验风险最小化原则的学习算法

      • 缺陷：层数跟神经元个数难以确定，容易陷入局部最优，过拟合。能通过SVM算法进行优化

    • 4.支持向量机（SVM算法）

      • 建立在统计学习理论基础上，自动寻找出那些对分类有较好区分能力的支持向量

      • 最大化类与类之间的间隔

      • 寻找一个超平面，将数据分开且类域边界沿垂直于改平面方向距离最大

      • 非线性问题可以通过非线性变化转化为某个高位空间中的线性问题

      • 核函数：多项式核、高斯（径向基函数）核、二层神经网络核

      • 算法：SVM—light、SMO、Chunking

      • 三个特点（1）结构风险最小化原则。（2）算法转化为线性约束的凸优化问题，保证全局最优解。（3）应用核技术，将输入空间中现性不可分问题转化为特征空间线性可分问题

    • 5.Boosting与Bagging算法

      • 是一种提高学习算法准确度的方法，通过构造预测函数，将弱学习算法提升为强学习算法

      • AdaBoost：对训练失败的样本赋予较大权重

      • Boosting是一种基于其他算法之上用于提高精度与性能的算法，无论用于线性回归、神经网络还是SVM都可以有效的提高精度。

      • 可以看作一种通用的增强基础算法性能的回归分析算法

      • Bagging与Boosting的区别在于Bagging的训练集是随机选择的，格伦训练集之间相互独立，所以可以通过并行训练节省大量时间开销

    • 6.关联规则算法

      • 关联规则课理解为：分析变量之间的饿关系，并且把这种关系表达成非常容易理解的规则的方法

      • 关联规则分析对数据分布不做任何要求，结构完全基于数据，反应数据，可以看作是数据中所有变量间规律的总结

    • 7.贝叶斯算法

      • 在已知先验概率与类条件概率的情况下的模式分类方法

    • 8.EM算法

      • 在存在潜在变量的情况下对模型参数进行估计的方法，极大似然估计

      • 不是直接对复杂的后验分布进行极大化或模拟，而是添加一些潜在数据

      • 特点是简单稳定，每一次迭代保证单调不减