经过本篇文章能够对 ML 的常用算法有个常识性的知道，没有代码，没有杂乱的理论推导，便是图解一下，知道这些算法是什么，它们是怎样使用的，比如主要是分类问题。

机器学习的十大常用算法如下：

• 决策树
• 随机森林算法
• 逻辑回归
• SVM
• 朴素贝叶斯
• K 最近邻算法
• K 均值算法
• Adaboost 算法
• 神经网络
• 马尔可夫

决策树

依据一些 feature 进行分类，每个节点提一个问题，经过判别，将数据分为两类，再持续发问。

这些问题是依据已有数据学习出来的，再投入新数据的时分，就能够依据这棵树上的问题，将数据划分到适宜的叶子上。

随机森林

在源数据中随机选取数据，组成几个子集，如下图：

S 矩阵是源数据，有 1-N 条数据，A B C 是 feature，最终一列 C 是类别。

由 S 随机生成 M 个子矩阵。

这 M 个子集得到 M 个决策树。

将新数据投入到这 M 个树中，得到 M 个分类成果，计数看猜测成哪一类的数目最多，就将此类别作为最终的猜测成果。

逻辑回归

当猜测方针是概率这样的，值域需求满意大于等于 0，小于等于 1 的，这个时分单纯的线性模型是做不到的，由于在界说域不在某个规模之内时，值域也超出了规则区间。

所以此刻需求这样的形状的模型会比较好。

那么怎样得到这样的模型呢？这个模型需求满意两个条件：

• 大于等于0。
• 小于等于1。

大于等于 0 的模型能够挑选绝对值、平方值，管中窥豹用指数函数，必定大于 0 小于等于1 用除法，分子是自己，分母是本身加上 1，成果那必定是小于 1 的了。

再做一下变形，就得到了 logistic regression 模型。

经过源数据核算能够得到相应的系数了。

最终得到 logistic 的图形。

SVM

SVM 即 support vector machine，要将两类分隔，想要得到一个超平面，最优的超平面是到两类的 margin 到达最大，margin 便是超平面与离它最近一点的间隔。

如下图，Z2>Z1，所以绿色的超平面比较好。

将这个超平面表明成一个线性方程，在线上方的一类，都大于等于 1，另一类小于等于 －1。

点到面的间隔依据图中的公式核算。

所以得到 total margin 的表达式如下，方针是最大化这个 margin，就需求最小化分母，所以变成了一个优化问题。

举个比如，三个点，找到最优的超平面，界说了 weight vector＝（2，3）－（1，1）。

得到 weight vector 为（a，2a），将两个点代入方程，代入（2，3）令其值＝1，代入（1，1）令其值＝-1，求解出 a 和 截矩 w0 的值，从而得到超平面的表达式。

a 求出来后，代入（a，2a）得到的便是 support vector。

a 和 w0 代入超平面的方程便是 support vector machine。

朴素贝叶斯

举个在 NLP 的使用比如，给一段文字，回来情感分类，这段文字的情绪是 positive，仍是 negative？

为了处理这个问题，能够只看其间的一些单词。

这段文字，将仅由一些单词和它们的计数代表。

原始问题是：给你一句话，它归于哪一类？经过 bayes rules 变成一个比较简略简略求得的问题。

问题变成，这一类中这句话呈现的概率是多少，当然，别忘了公式里的别的两个概率。

比如：单词 love 在 positive 的情况下呈现的概率是 0.1，在 negative 的情况下呈现的概率是 0.001。

K 最近邻

K 最近邻即 k nearest neighbours，给一个新的数据时，离它最近的 k 个点中，哪个类别多，这个数据就归于哪一类。

比如：要区别 猫 和 狗，经过 claws 和 sound 两个 feature 来判别的话，圆形和三角形是已知分类的了，那么这个 star 代表的是哪一类呢？

k＝3时，这三条线链接的点便是最近的三个点，那么圆形多一些，所以这个 star 便是归于猫。

K 均值

想要将一组数据，分为三类，粉色数值大，黄色数值小，最开端先初始化，管中窥豹面选了最简略的 3，2，1 作为各类的初始值。

剩余的数据里，每个都与三个初始值核算间隔，然后归类到离它最近的初始值地点类别。

分好类后，核算每一类的平均值，作为新一轮的中心点。

几轮之后，分组不再变化了，就能够中止了。

Adaboost

adaboost 是 bosting 的办法之一，bosting 便是把若干个分类效果并不好的分类器归纳起来考虑，会得到一个效果比较好的分类器。

如下图，左右两个决策树，单个看是效果不怎样好的，可是把相同的数据投入进去，把两个成果加起来考虑，就会添加可信度。

adaboost 的栗子，手写辨认中，在画板上能够抓取到许多 features，例如始点的方向，始点和结尾的间隔等等。

training 的时分，会得到每个 feature 的 weight，例如 2 和 3 的最初部分很像，这个 feature 对分类起到的效果很小，它的权重也就会较小。

而这个 alpha 角就具有很强的辨认性，这个 feature 的权重就会较大，最终的猜测成果是归纳考虑这些 feature 的成果。

神经网络

Neural Networks 合适一个 input 或许落入至少两个类别里，NN 由若干层神经元和它们之间的联络组成。第一层是 input 层，最终一层是 output 层，在 hidden 层和 output 层都有自己的 classifier。

input 输入到网络中，被激活，核算的分数被传递到下一层，激活后边的神经层，最终output 层的节点上的分数代表归于各类的分数，下图比如得到分类成果为 class 1。

相同的 input 被传输到不同的节点上，之所以会得到不同的成果是由于各自节点有不同的 weights 和 bias。这也便是 forward propagation。

马尔可夫

Markov Chains 由 state 和 transitions 组成。举个比如，依据这一句话 ‘the quick brown fox jumps over the lazy dog’。

假如要得到 markov chain ，过程是先给每一个单词设定成一个状况，然后核算状况间转化的概率。

这是一句话核算出来的概率，当你用很多文本去做计算的时分，会得到更大的状况搬运矩阵，例如 the 后边能够衔接的单词，及相应的概率。

日子中，键盘输入法的备选成果也是相同的原理，模型会更高档。

【修改引荐】

1. 安全对人工智能的需求——从机器学习到机器发明
2. 怎么对机器学习代码进行单元测试？
3. 出路光亮的机器学习将走向何方？管中窥豹有 5 个关于它的未来猜测
4. 人工智能那么火，你分得清机器学习和深度学习吗？
5. 内测中！自带机器学习的Word，Excel和Outlook要来了