【機器學習】一文速覽機器學習的類別（Python代碼）

序列文章：上一篇    《白話機器學習概念》

一、 機器學習類別

機器學習按照學習數(shù)據(jù)經(jīng)驗的不同，即訓練數(shù)據(jù)的標簽信息的差異，可以分為監(jiān)督學習（supervised learning）、非監(jiān)督學習（unsupervised learning）、半監(jiān)督學習（semi- supervised learning）和強化學習（reinforcement learning）。

1.1 監(jiān)督學習

監(jiān)督學習是機器學習中應用最廣泛及成熟的，它是從有標簽的數(shù)據(jù)樣本（x，y）中，學習如何關聯(lián)x到正確的y。這過程就像是模型在給定題目的已知條件（特征x），參考著答案（標簽y）學習，借助標簽y的監(jiān)督糾正，模型通過算法不斷調(diào)整自身參數(shù)以達到學習目標。

監(jiān)督學習常用的模型有：線性回歸、樸素貝葉斯、K最近鄰、邏輯回歸、支持向量機、神經(jīng)網(wǎng)絡、決策樹、集成學習（如LightGBM）等。按照應用場景，以模型預測結果Y的取值有限或者無限的，可再進一步分為分類或者回歸模型。

分類模型

分類模型是處理預測結果取值有限的分類任務。如下示例通過邏輯回歸分類模型，根據(jù)溫濕度、風速等情況去預測是否會下雨。

• 邏輯回歸簡介

邏輯回歸雖然名字有帶“回歸”，但其實它是一種廣義線性的分類模型，由于模型簡單和高效，在實際中應用非常廣泛。

邏輯回歸模型結構可以視為雙層的神經(jīng)網(wǎng)絡（如圖4.5）。模型輸入x，通過神經(jīng)元激活函數(shù)f（f為sigmoid函數(shù)）將輸入非線性轉(zhuǎn)換至0~1的取值輸出，最終學習的模型決策函數(shù)為Y=sigmoid(wx + b)

。其中模型參數(shù)w即對應各特征（x1, x2, x3...）的權重（w1,w2,w3...），b模型參數(shù)代表著偏置項，Y為預測結果（0~1范圍）。

模型的學習目標為極小化交叉熵損失函數(shù)。模型的優(yōu)化算法常用梯度下降算法去迭代求解損失函數(shù)的極小值，得到較優(yōu)的模型參數(shù)。

• 代碼示例 示例所用天氣數(shù)據(jù)集是簡單的天氣情況記錄數(shù)據(jù)，包括室外溫濕度、風速、是否下雨等，在分類任務中，我們以是否下雨作為標簽，其他為特征（如圖4.6）

import pandas as pd    # 導入pandas庫
weather_df = pd.read_csv('./data/weather.csv')   # 加載天氣數(shù)據(jù)集
weather_df.head(10)   # 顯示數(shù)據(jù)的前10行

from sklearn.linear_model import LogisticRegression  # 導入邏輯回歸模型
x = weather_df.drop('If Rain', axis=1)  # 特征x
y = weather_df['If Rain']  # 標簽y
lr = LogisticRegression()
lr.fit(x, y)  # 模型訓練
print("前10個樣本預測結果：", lr.predict(x[0:10]) ) # 模型預測前10個樣本并輸出結果

以訓練的模型輸出前10個樣本預測結果為：[1 1 1 1 1 1 0 1 1 1]，對比實際前10個樣本的標簽：[1 1 1 1 1 0 1 0 0 1]，預測準確率并不高。在后面章節(jié)我們會具體介紹如何評估模型的預測效果，以及進一步優(yōu)化模型效果。

回歸模型

回歸模型是處理預測結果取值無限的回歸任務。如下代碼示例通過線性回歸模型，以室外濕度為標簽，根據(jù)溫度、風力、下雨等情況預測室外濕度。

• 線性回歸簡介 線性回歸模型前提假設是y和x呈線性關系，輸入x，模型決策函數(shù)為Y=wx+b。模型的學習目標為極小化均方誤差損失函數(shù)。模型的優(yōu)化算法常用最小二乘法求解最優(yōu)的模型參數(shù)。
• 代碼示例

from sklearn.linear_model import LinearRegression  #導入線性回歸模型
x = weather_df.drop('Humidity', axis=1)  # 特征x
y = weather_df['Humidity']  # 標簽y
linear = LinearRegression()

linear.fit(x, y)  # 模型訓練
print("前10個樣本預測結果：", linear.predict(x[0:10]) ) # 模型預測前10個樣本并輸出結果
# 前10個樣本預測結果： [0.42053525 0.32811401 0.31466161 0.3238797  0.29984453 0.29880059

1.2 非監(jiān)督學習

非監(jiān)督學習也是機器學習中應用較廣泛的，是從無標注的數(shù)據(jù)（x）中，學習數(shù)據(jù)的內(nèi)在規(guī)律。這個過程就像模型在沒有人提供參考答案（y），完全通過自己琢磨題目的知識點，對知識點進行歸納、總結。按照應用場景，非監(jiān)督學習可以分為聚類，特征降維和關聯(lián)分析等方法。如下示例通過Kmeans聚類劃分出不同品種的iris鳶尾花樣本。

• Kmeans聚類簡介 Kmeans聚類是非監(jiān)督學習常用的方法，其原理是先初始化k個簇類中心，通過迭代算法更新各簇類樣本，實現(xiàn)樣本與其歸屬的簇類中心的距離最小的目標。其算法步驟為：1.初始化：隨機選擇 k 個樣本作為初始簇類中心（可以憑先驗知識、驗證法確定k的取值）；2.針對數(shù)據(jù)集中每個樣本 計算它到 k 個簇類中心的距離，并將其歸屬到距離最小的簇類中心所對應的類中；3.針對每個簇類 ，重新計算它的簇類中心位置；4.重復上面 2 、3 兩步操作，直到達到某個中止條件（如迭代次數(shù)，簇類中心位置不變等）

• 代碼示例

from sklearn.datasets import load_iris  # 數(shù)據(jù)集
from sklearn.cluster import KMeans   #  Kmeans模型
import matplotlib.pyplot as plt  # plt畫圖
lris_df = datasets.load_iris()  # 加載iris鳶尾花數(shù)據(jù)集，數(shù)據(jù)集有150條樣本，分三類的iris品種
x = lris_df.data
k = 3  # 聚類出k個簇類, 已知數(shù)據(jù)集有三類品種, 設定為3
model = KMeans(n_clusters=k)  
model.fit(x)  # 訓練模型
print("前10個樣本聚類結果：",model.predict(x[0:10]) ) # 模型預測前10個樣本并輸出聚類結果：[1 1 1 1 1 1 1 1 1 1] 
# 樣本的聚類效果以散點圖展示
x_axis = lris_df.data[:,0] # 以iris花的sepal length (cm)特征作為x軸
y_axis = lris_df.data[:,1] # 以iris花的sepal width (cm)特征作為y軸
plt.scatter(x_axis, y_axis, c=model.predict(x)) # 分標簽顏色展示聚類效果
plt.xlabel('Sepal length (cm)')#設定x軸注釋
plt.ylabel('Sepal width (cm)')#設定y軸注釋
plt.title('Iris KMeans Scatter')
plt.show()   # 如圖4.7聚類效果

1.3半監(jiān)督學習

半監(jiān)督學習是介于傳統(tǒng)監(jiān)督學習和無監(jiān)督學習之間（如圖4.8），其思想是在有標簽樣本數(shù)量較少的情況下，以一定的假設前提在模型訓練中引入無標簽樣本，以充分捕捉數(shù)據(jù)整體潛在分布，改善如傳統(tǒng)無監(jiān)督學習過程盲目性、監(jiān)督學習在訓練樣本不足導致的學習效果不佳的問題。按照應用場景，半監(jiān)督學習可以分為聚類，分類及回歸等方法。如下示例通過基于圖的半監(jiān)督算法——標簽傳播算法分類俱樂部成員。

• 標簽傳播算法簡介

標簽傳播算法（LPA）是基于圖的半監(jiān)督學習分類算法，基本思路是在所有樣本組成的圖網(wǎng)絡中，從已標記的節(jié)點標簽信息來預測未標記的節(jié)點標簽。

1. 首先利用樣本間的關系（可以是樣本客觀關系，或者利用相似度函數(shù)計算樣本間的關系）建立完全圖模型。

2. 接著向圖中加入已標記的標簽信息（或無），無標簽節(jié)點是用一個隨機的唯一的標簽初始化。

3. 將一個節(jié)點的標簽設置為該節(jié)點的相鄰節(jié)點中出現(xiàn)頻率最高的標簽，重復迭代，直到標簽不變即算法收斂。

• 代碼示例該示例的數(shù)據(jù)集空手道俱樂部是一個被廣泛使用的社交網(wǎng)絡，其中的節(jié)點代表空手道俱樂部的成員，邊代表成員之間的相互關系。

import networkx as nx # 導入networkx圖網(wǎng)絡庫
import matplotlib.pyplot as plt
from networkx.algorithms import community  # 圖社區(qū)算法
G=nx.karate_club_graph()   # 加載美國空手道俱樂部圖數(shù)據(jù)
#注： 本例未使用已標記信息, 嚴格來說是半監(jiān)督算法的無監(jiān)督應用案例
lpa = community.label_propagation_communities(G)  # 運行標簽傳播算法
community_index = {n: i for i, com in enumerate(lpa) for n in com} # 各標簽對應的節(jié)點
node_color = [community_index[n] for n in G]  # 以標簽作為節(jié)點顏色
pos = nx.spring_layout(G)  # 節(jié)點的布局為spring型
nx.draw_networkx_labels(G, pos) # 節(jié)點序號
nx.draw(G, pos, node_color=node_color) # 分標簽顏色展示圖網(wǎng)絡
plt.title(' Karate_club network LPA')
plt.show() #展示分類效果，不同顏色為不同類別

1.4 強化學習

強化學習從某種程度可以看作是有延遲標簽信息的監(jiān)督學習（如圖4.9），是指智能體Agent在環(huán)境Environment中采取一種行為action，環(huán)境將其轉(zhuǎn)換為一次回報reward和一種狀態(tài)表示state，隨后反饋給智能體的學習過程。本書中對強化學習僅做簡單介紹，有興趣可以自行擴展。

文章首發(fā)于算法進階，公眾號閱讀原文可訪問GitHub項目源碼