一小部分机器学习算法小结: 优化算法、逻辑回归、支持向量机、决策树、集成算法、Word2Vec等

优化算法

先导知识：泰勒公式

\[f(x)=\sum_{n=0}^{\infty}\frac{f^{(n)}(x_0)}{n!}(x-x_0)^n \]

一阶泰勒展开：

\[f(x)\approx f(x_0)+f'(x_0)(x-x_0) \]

二阶泰勒展开：

\[f(x)\approx f(x_0)+f'(x_0)(x-x_0)+\frac{f''(x_0)}{2}(x-x_0)^2 \]

梯度下降法

\[\begin{align*} &f(x)=f(x^k)+g_k^T*(x-x^k)\\ &其中，g_k=g(x^{(k)})=\nabla f(x^{(k)})=f'(x)\\ &求出第k+1次迭代值x^{(k+1)}:\ x^{(k+1)} \leftarrow x^{(k)}+\lambda_k p_k\\ &其中，p_k为搜索方向，取负梯度方向p_k=-\nabla f(x^{(k)})；\lambda_k 是步长，由一维搜索确定。\\ &即\lambda_k使得f(x^{(k)}+\lambda_kp_k)=\mathop{min}_{\lambda \geq 0}f(x^{(k)}+\lambda p_k)\\ &当||g_k||<\epsilon或者||f(x^{k+1})-f(x^k)||<\epsilon或者||x^{k+1}-x^k||<\epsilon时，停止迭代 \end{align*} \]

注意：为何负梯度方向时是使函数值下降最快的方向，在迭代的每一步以负梯度方向更新x的值：

\[\begin{align*} &f(x+\Delta x)=f(x)+\sum_{k=1}^{n}\frac{\partial f}{\partial x_{k}}*\Delta x+O(||x||^n)\\ &要使f(x+\Delta x)-f(x)<0,即损失函数减小，而O(||x||^n)可忽略，则\sum_{k=1}^n\frac{\partial f}{\partial x_{k}}*\Delta x<0\\ &可以令\Delta x=-\alpha \sum_{k=1}^{n}\frac{\partial f}{\partial x_k},而\alpha为步长，\alpha>0恒成立\\ &这样就可以满足\sum_{k=1}^n\frac{\partial f}{\partial x_{k}}*\Delta x<0，因此x一直要向负梯度方向更新 \end{align*} \]

拟牛顿法

二阶泰勒：

\[f(x)=f(x^{k})+g_k^T*(x-x^k)+\frac{1}{2}(x-x_k)^TH(x^k)(x-x_k)\\ 其中，g_k(x)=\nabla f(x^{(k)})是f(x)的梯度向量在点x^{(k)}的值。\\H(x)=\left[\frac{\partial ^2 f}{\partial x_i\partial x_j}\right]_{n*n}。后者称为海赛矩阵(Heses\ matrix) \]

函数有极小值的必要条件是在极值点处一阶导数为0，即梯度向量为0.

可知：

\[\nabla f(x)=g_k+H_k*(x-x^k) \]

令\(\nabla f(x)=0\)，则

\[g_k^T+H_k(x-x_k)=0\\ H_k(x-x^k)=-g_k\\ x^{k+1}=x^k-H_k^{-1}g_k \]

令\(p_k=-H^{-1}_kg_k\)，即\(H_kp_k=-g_k\)

整理下上述思路：\(f(x)\)展开为二阶泰勒->函数极小值必要条件->\(\nabla f(x)=0\)->求得搜索方向\(p_k=-H^{-1}_kg_k\)

求得了搜索方向，就可以类似于梯度下降法迭代\(x\)的值。也就是\(x^{(k+1)}=x^k+p_k\)。

注意到搜索方向\(p_k=-H^{-1}_kg_k\),求解公式中存在矩阵的逆，矩阵的逆一般难求，需要考虑用一个\(n\)阶矩阵\(G_k=G(x^{(k)})\)近似代替\(H_k^{-1}=H^{-1}(x^{(k)})\)。这就是所谓的“拟”牛顿法

首先看要近似的海塞矩阵\(H_k\)要满足的条件。对\(\nabla f(x)=g_k+H_k(x-x^k)\)取\(x=x^{(k+1)}\)，即得：\(g_{k+1}=g_k+H_k(x^{(k+1)}-x^k)\)，记\(y_k=g_{k+1}-g_k,\delta_k=x^{(k+1)}-x^k\)，则：

\[y_k=H_k\delta_k \]

这就是海塞矩阵要满足的条件。也就是\(H^{-1}_ky_k=\delta_k\)。根据这个条件，近似的算法有两种，也就是"DFP"算法和"BFGS"算法，以及推广的"Broyden"算法。参见《统计学习方法》-李航-p222~224

拉格朗日对偶性

约束最优化问题中，由于原始问题难求等原因，需要利用拉格朗日对偶性将原始问题转化为对偶问题，通过求解对偶问题而求得原始问题的解。

约束最优化问题：

\[\mathop{min}_{x\in R^n}f(x)\\ s.t\quad c_j(x)\leq 0,\ i=1,2,...,k\\ h_j(x)=0,\ j=1,2,...,l \]

其转化而得的对偶问题：广义拉格朗日函数极大极小问题

\[\mathop{max}_{\alpha,\beta}\theta_D(\alpha,\beta)=\mathop{max}_{\alpha,\beta}\mathop{min}_xL(x,\alpha,\beta)\\ st.\quad \alpha_i\geq0,\ i=1,2,...,k \]

KTT条件：对偶问题和原问题能够相互转化的充要条件

假设函数\(f(x)\)和\(c_i(x)\)是凸函数，\(h_j(x)\)是仿射函数，并且不等式约束\(c_i(x)\)是严格可行的，则\(x^*\)和\(\alpha ^*,\beta ^*\)分别是原始问题和对偶问题的解的充要条件是\(x^ *\),\(\alpha^*\),\(\beta ^*\)满足KTT条件：

\[\nabla _x L(x^*,\alpha ^*,\beta ^*)=0\\ \alpha^*_ic_i(x^*)=0,\ i=1,2,...,k\\ c_i(x^*)\leq 0,\ i=1,2,...,k\\ \alpha ^*_i\geq0,\ i=1,2,...,k\\ h_j(x^*)=0,\ j=1,2,...,l \]

李航-《统计学习方法》-p218~p228

最大似然函数和最小损失函数

当然你也可以叫它”最大似然函数和最小二乘估计“，两者殊途同归，都是意在拟合数据

最小二乘估计

模型最合理的参数估计量应该使得模型最好的拟合样本数据，要求估计值和观测值之差的平方最小。

定义：

\[Q=\sum_{i=1}^n(y-y')^2 \]

其中，\(Q\)为误差，\(y\)为观测值，\(y'\)为估计值，\(y'=\beta_0+\beta_1x\)

矩阵表示：

\[min||A\beta-Y||_2 \]

最优解为：

\[\beta=(A^TA)^{-1}A^TY \]

其中，估计值\(Y'=||A\beta||\)。关于求解方法参见：最小二乘法解的矩阵形式推导.若A非满秩，常常采用求伪逆的方法或者岭回归等方法解决。求伪逆，参见周志华-《机器学习》-p402~p403（A.3奇异值分解）

最大似然函数

模型最合理的参数估计量应该使得观测样本出现的概率最大。

定义：联合概率密度函数\(p(D|\theta)\)称为相对于\({x_1,x_2,...,x_N}\)关于\(\theta\)的似然函数

\[l(\theta)=p(D|\theta)=p(x_1,x_2,...,x_N|\theta)=\prod_{i=1}^{N}p(x_i|\theta) \]

其中，\(\theta\)为待估计参数。

与最小二乘法不同不需要确定概率分布函数不同，最大似然函数需要”已知“这个概率分布函数。事实上，若假设满足正态分布函数，最大似然函数和最小二乘估计是等价的。参见：最大似然估计和最小二乘估计的区别与联系。最小二乘法以估计值和观测值的差平方和为损失函数，最大似然函数则是以最大化似然概率函数为目标函数。

交叉熵

交叉熵衡量的是两个分布\(p\)、\(q\)之间的相似性。

定义：

\[H(P,Q)=-\sum_{i=1}^np(x_i)log(q(x_i)) \]

其中\(H(p,q)​\)即为交叉熵。事实上，交叉熵是由KL散度（亦称相对熵）而来，KL散度：

\[KL(P||Q)=\int _{-\infty}^{\infty}p(x)log\frac{p(x)}{q(x)}dx \]

展开便得：

\[KL(P||Q)=\int_{-\infty}^{\infty}p(x)log\ p(x)dx-\int_{-\infty}^{\infty}p(x)log\ q(x) dx=-H(P)+H(P,Q) \]

在机器学习中，常常需要评估观测值和估计值之间的差距，由于KL散度能够度量两个概率分布之间的差距，可以最小化KL散度实现“学习”的目的。又由于\(H(P)\)为固定值，所以通常直接最小化交叉熵\(H(P,Q)\)，参见周志华-《机器学习》-p414~p415(C.3KL散度)

在分类问题中，交叉熵的本质就是似然函数的最大化。参见：最大似然损失和交叉熵损失函数的联系

关于为何逻辑logistic回归采用交叉熵（似然函数）而非最小二乘作损失函数，可能有两个原因：1.交叉熵常常用于分类，而最小二乘常常用于回归；2.计算便利

逻辑回归

先导知识：

指数族分布

若某概率满足

\[p(y;\eta)=b(y)exp(\eta^TT(y)-a(\eta)) \]

其中\(\eta\)是自然参数，\(T(y)\)是充分统计量，\(exp(-a(\eta))\)起到归一化作用。确定\(T,a,b\)，就可以确定参数为\(\eta\)的指数族分布。高斯分布、伯努利分布、多项分布、泊松分布等都是指数族分布的特定形式。

伯努利分布：

\[\begin{align*} p(y;\phi)&=\phi^y(1-\phi)^{1-y}\\ &=exp(ylog\ \phi+(1-y)log(1-\phi))\\ &=epx(ylog\frac{\phi}{1-\phi}+log(1-\phi)) \end{align*} \]

对照上述指数族分布定义，则：

\[\begin{equation} \left \{ \begin{array}{lr} T(y)=y,\\ \eta=log\frac{\phi}{1-\phi},(\frac{\phi}{1-\phi}=e^{\eta}->(1+e^y)\phi=e^y->\phi=\frac{e^{\eta}}{1+e^{\eta}}=\frac{1}{1+e^{-\eta}})\\ a(\eta)=-log(1-\phi)\\ b(y)=1 \end{array} \right . \end{equation} \]

常见的概率分布参见：周志华-《机器学习》-p409~p413(C概率分布)

逻辑回归

考虑二分类问题，\(y\in\{0,1\}\),因为是二分类问题，可以很自然的想到选择\(p(y|x;\theta)\)~\(Bernouli (\phi)\)，即服从伯努利分布。那么，

\[h_\theta=E(y|x;\theta)=\phi=\frac{1}{1+e^{-\eta}}=\frac{1}{1+e^{-\theta^Tx}} \]

其中，\(h_\theta(x)=E(y|x;\theta)=\phi\)是伯努利分布的性质（其数学期望等于每次实验成功的概率\(\phi\)），\(\phi=\frac{1}{1+e^{-\eta}}\)是伯努利分布为指数族分布时的结论（见\(\eta=log\frac{\phi}{1-\phi}\)后面推导过程）

定义：

\[h_\theta=g(\theta^Tx)=\frac{1}{1+e^{-\theta^Tx}} \]

目标函数推导：

\[\begin{equation} \left \{ \begin{array}{lr} p(Y=1|x;\theta)=h_\theta(x)\\ p(Y=0|x;\theta)=1-h_\theta(x) \end{array} \right . \end{equation} \]

其中，\(h_\theta(x)\)表示类别为1的概率。

结合起来

\[p(Y=y|x;\theta)=(h_{\theta})^y(1-h_{\theta})^{1-y} \]

取对数似然函数:

\[\begin{align*} l(\theta)&=\prod_{i=1}^m p(Y=y_i|x_i;\theta)\\ &=\prod_{i=1}^m(h_\theta(x_i))^{y_i}(1-h_\theta(x_i))^{1-y_i} \end{align*}\\ L(\theta)=\sum_{i=1}^{m}y_ilog\ h_{\theta}(x_i)+(1-y_i)log\ (1-h_\theta(x_i)) \]

优化损失函数：

\[J(\theta)=\frac{-1}{m}L(\theta) \]

使用梯度下降法等优化算法优化即可。

注意此处的损失函数和交叉熵定义：\(H(p,q)=-\sum_{i=1}^np(x_i)log(q(x_i))\)

列出其它常见的损失函数

• 0-1损失函数

  \[L(y,f(x))= \begin{equation} \left \{ \begin{array}{lr} 1\quad y\neq f(x)\\ 0\quad y=f(x) \end{array} \right . \end{equation} \]

• 平方损失函数

  \[L(y,f(x))=(y-f(x))^2 \]

• 绝对值损失函数

  \[L(y,f(x))=|y-f(x)| \]

• 对数损失函数

  \[L(y,p(y|x))=-log\ p(y|x) \]

支持向量机

先导知识：

点到直线距离公式

\[d=|\frac{Ax_0+By_0+C}{\sqrt{A^2+B^2}}|=|\frac{wx_i+b}{||w||}| \]

假设点X被正确分类。当X属于正类时，\(wx+b>0\),此时点X在直线上方。当X属于负类时，\(wx+b<0\)，此时点X在直线下方。

几何间隔最大化

\[\mathop{max}_{w,b}\ \gamma\\ s.t\quad \frac{y_i(wx_i+b)}{||w||}\geq \gamma,\ i=1,2,...,N \]

这也即是，学习超平面参数\(w\)，使得当所有点到超平面的距离都大于某个数\(\gamma\)：

\[\frac{y_i(wx_i+b)}{||w||}\geq \gamma \]

时，最大化这个数\(\gamma\)。乘以\(y_i\)的目的在于当\(y_i\in\{+1,-1\}\)时，无论\(wx_i+b\)得到的结果无论正负，只要分类结果正确，保持\(y_i(wx_i+b)\)为正。

可以改写为，令函数间隔\(\hat{\gamma}=y_i(wx_i+b)\)，得\(\gamma=\frac{\hat{\gamma}}{||w||}\)，则

\[\mathop{max}_{w,b}\frac{\hat{\gamma}}{||w||}\\ s.t\quad y_i(wx_i+b)\geq\hat{\gamma},\ i=1,2,...,N \]

由于有分母\(||w||\)有规范化作用，函数间隔\(\hat{\gamma}\)的取值并不影响最优化问题的解，令\(\hat{\gamma}=1\)翻转分子分母，变最大化问题为最小化问题：

\[\mathop{min}_{w,b}\frac{1}{2}||w||^2\\ s.t\quad y_i(wx_i+b)-1\geq 0,\ i=1,2,...,N \]

线性可分支持向量机

硬间隔最大化

定义：

\[\mathop{min}_{w,b}\frac{1}{2}||w||^2\\ s.t\quad y_i(wx_i+b)-1\geq 0 \]

求得最优解\(w^*,b^*\)。代入之后就可以求得分离超平面：\(w^*x+b^*=0\)；分类决策函数：\(f(x)=sign(w^*x+b^*)\)

线性支持向量机

软间隔最大化：正则化，引入松弛变量\(\xi_i\geq0\)，约束条件变为\(y_i(wx_i+b)\geq 1-\xi_i\)；并且对每个松弛变量\(\xi_i\)，支付一个代价\(\xi_i\)，目标函数变为\(\frac{1}{2}||w||^2+C\sum_{i=0}^{N}\xi_i\)，其中\(C\)为正则化参数。这样使得\(\frac{1}{2}||w||^2\)尽量小，即间隔最大而且误分类点个数尽可能少。

定义：

\[\mathop{min}_{w,b,\xi}\frac{1}{2}||w||^2+C\sum_{i=1}^N\xi_i\\ s.t\quad y_i(wx_i+b)\geq 1-\xi_i\ i=1,2,...,N\\ \xi_i\geq0,\ i=1,2,...,N \]

\(\xi_i\geq 0\)原因：1)\(\xi_i\geq 0\)意为允许误分点，\(\xi>0\)意为允许误分点，\(\xi<0\)在分隔界面后侧无意义。2)目标是\(\mathop{min}_{w,b,\xi}\)，若允许\(\xi<0\)则会使目标式使\(\xi\to-\infty\)，错误

原始最优化算法的拉格朗日函数：

\[L(W,b,\xi,\alpha,\mu)=\frac{1}{2}||w||^2+C\sum_{i=1}^N\xi_i-\sum_{i=1}^{N}\alpha_i(y_i(wx_i+b)-1+\xi_i)-\sum_{i=1}^N\mu_i\xi_i \]

其中，\(W,b\)为超平面的参数，\(\alpha,\xi\)为拉格朗日乘子(\(\alpha_i>0,\xi>0\)，两个条件，两个拉格朗日乘子)

对偶问题是拉格朗日的极大极小问题

\[\mathop{max}_\alpha \mathop{min}_{w,b} L(w,b,\alpha) \]

首先求\(L(w,b,\xi,\alpha,\mu)\)对\(w,b,\xi\)的极小。

\[\begin{equation} \left \{ \begin{array}{lr} \frac{\partial}{\partial w}L(w,b,\xi,\alpha,\mu)=w-\sum_{i=1}^N\alpha_iy_ix_i=0\\ \frac{\partial}{\partial b}L(w,b,\xi,\alpha,\mu)=-\sum_{i=1}^N\alpha_i y_i=0\\ \frac{\partial}{\partial \xi}L(w,b,\xi,\alpha,\mu)=C-\alpha_i-\mu_i=0 \end{array} \right . \end{equation} \]

求得：

\[\begin{equation} \left \{ \begin{array}{lr} w=\sum_{i=1}^N\alpha_i y_i x_i\\ \sum_{i=1}^{N}\alpha_i y_i=0\\ C-\alpha_i-\mu_i=0 \end{array} \right . \end{equation} \]

代入\(L(w,b,\xi,\alpha,\mu)\)得

\[\begin{align*} L(w,b,\xi,\alpha,\mu)&=\frac{1}{2}\sum_{i=1}^{N}\sum_{j=1}^{N}\alpha_i\alpha_jy_iy_j(x_ix_j)+C\sum_{i=1}^{N}\xi_i-\\ &\sum_{i=1}^{N}(\alpha_iy_i(wx_i+b)-\alpha_i+\alpha_i\xi_i)-\sum_{i=1}^{N}\mu_i\xi_i(1)\\ &=\frac{1}{2}\sum_{i=1}^{N}\sum_{i=1}^{N}\alpha_i\alpha_jy_iy_j(x_ix_j)+(C-\alpha_i-\mu_i)\sum_{i=1}^{N}\xi_i-\sum_{i=1}^N\alpha_i(2)\\ &=\frac{1}{2}\sum_{i=1}^{N}\sum_{j=1}^{N}\alpha_i\alpha_jy_iy_j(x_ix_j)-\sum_{i=1}^N\alpha_i \end{align*} \]

在(1)中，由于\(\sum_{i=1}^N\alpha_iy_i=0\)，则\(\sum_{i=1}^N(\alpha_iy_i(wx_i+b))=0\)

在(2)中，由于\(C-\alpha_i-\mu_i=0\)，则\((C-\alpha_i-\mu_i)\sum_{i=1}^{N}\xi_i=0\)

得对偶问题：

\[\begin{align*} \mathop{max}_{\alpha}-\frac{1}{2}\sum_{i=1}^{N}\sum^{N}_{j=1}\alpha_i\alpha_jy_iy_j(x_ix_j)+\sum_{i=1}^N\alpha_i\\ s.t\quad \sum_{i=1}^{N}\alpha_iy_i=0\quad\\ C-\alpha_i-\mu_i=0\quad(1)\\ \alpha_i\geq0\quad(2)\\ \mu_i\geq0\quad(3)\\ (i=1,2,...,N) \end{align*} \]

\((1),(2),(3)\)可得：\(0\leq\alpha_i\leq C\)

也即是：

\[\begin{align*} \mathop{max}_{\alpha}-\frac{1}{2}\sum_{i=1}^{N}\sum^{N}_{j=1}\alpha_i\alpha_jy_iy_j(x_ix_j)+\sum_{i=1}^N\alpha_i\\ s.t\quad \sum_{i=1}^{N}\alpha_iy_i=0\\ 0\leq\alpha_i\leq C\\ (i=1,2,...,N) \end{align*} \]

这就是线性支持向量机的对偶问题。

有对偶问题据说易求得最优解\(\alpha^*=(\alpha_1^*,\alpha_2^*,...,\alpha_N^*)\)，从而求得原始问题中\(w^*=\sum_{i=1}^N\alpha_i^*y_ix_i\)，选择\(\alpha^*\)中一个适合条件\(0<\alpha_j^*<C\)分量\(\alpha_j^*\)，可得原始问题中的\(b^*=y_j-\sum_{i=1}^Ny_i\alpha_i^*(x_ix_j)\)。然后代入即得分离超平面：

\[w^*x+b^*=0 \]

分类决策函数：

\[f(x)=sign(w^*x+b^*) \]

非线性支持向量机和核函数

举例而言，

\[w_1(x^{(1)})^2+w_2(x^{(2)})^2+b=0 \]

此为非线性问题，使用\(z=\phi(x)=(x^{(1)},x^{(2)})\)映射可得

\[w_1z^{(1)}+w_2z^{(2)}+b=0 \]

转化为了线性问题。

从输入空间x到特征空间的映射\(\phi(x)​\): \(x​\)->\(H​\)

线性支持向量机只涉及输入实例与实例之间的内积，且映射函数\(\phi(x)\)不易求

核函数\(K(x,z)=\phi(x)·\phi(z),\quad x,z\in X\)

将输入空间的内积\(x_i·x_j\)转化为特征空间的内积\(\phi(x_i)·\phi(x_j)=K(x,z)\)，此时当映射函数是非线性函数时，就可以在线性SVM中学习非线性模型了。

函数\(K(x,z)\)为核函数的条件

通常的核函数就是正定核函数。

正定核的充要条件：

\(K(x,z)\)是定义在\(X*X->R\)上的对称函数，则\(K(x,z)\)为正定核函数的充要条件：

\(K(x,z)\)对应的Gram矩阵：

\[K=[k(x_i,x_j)]_{m*m}= \left[ \begin{matrix} (x_1,x_1)&(x_1,x_2)&(x_1,x_3)&\cdots&(x_1,x_m)\\ \vdots\\ (x_m,x_1)&(x_m,x_2)&(x_m,x_3)&\cdots&(x_m,x_m) \end{matrix} \right] \]

此矩阵半正定

常用核函数

• 多项式核函数：\(K(x,z)=(x·z+1)^p\)

  对应的分类决策函数为：\(f(x)=sign(\sum_{i=1}^{N_c}a_i^*y_i(x_i·x+1)^p+b^*)\)

• 高斯核函数：\(K(x,z)=exp(-\frac{||x-z||^2}{2\sigma^2})\)

  对应的分类决策函数：\(f(x)=sign(\sum_{i=1}^{N_c}a_i^*y_iexp(-\frac{||x-z||^2}{2\sigma^2})+b^*)\)

此处参见李航-《统计学习方法》-p122~p123

高效实现支持向量机“学习”的算法：SMO序列最小最优化算法

SMO求解如下凸二次规划的对偶问题：

\[\begin{align*} &\mathop{min}_\alpha\ \frac{1}{2}\sum_{i=1}^{N}\sum_{j=1}^{N}\alpha_i\alpha_jy_iy_jK(x_i,x_j)-\sum_{i=1}^{N}\alpha_i\\ &s.t\quad \sum_{i=1}^{N}\alpha_iy_i=0\\ &0\leq \alpha_i\leq C,\ i=1,2,...,N \end{align*} \]

变量是拉格朗日乘子\(\alpha\)，一个变量\(\alpha_i\)对应于一个样本点\((x_i,x_j)\)。变量总量等于训练样本容量\(N\).

启发式算法：

• 若所有变量符合KTT条件，则该问题可由KTT求得（KTT条件是该最优化问题的充要条件）
• 否则，选择2个变量（1个最不符合KTT，另1个自动确定）构造新的二次规划问题求解。

李航-《统计学习方法》-p95

KMeans

一种聚类算法

算法流程：

\[\begin{align*} 输入：&样本集D=\{x_1,x_2,...,x_m\};聚类簇数K\\ 过程：\\ &随机初始化K个均值向量\{u_i,u_2,...,u_k\}\\ &Repeat:\\ &\quad for\ i=1,2,...,m\quad do\\ &\qquad 将距离最近的均值向量u_i作为x_i的簇标记(C_{u_{j}}=C_{u_j}\cup(x_i))\\ &\quad for\ i=1,2,..,k\quad do\\ &\qquad 计算 均值均值向量u_i'=\frac{\sum_{x\in C_{u_j}}x}{|C_{u_j}|}并更新 \end{align*} \]

总结下来就两步：1)样本划归簇标记；2)更新均值向量

KMeans算法优缺点

优点：

• 原理简单，超参就一个聚类簇数K
• 速度快

缺点：

• K值需要事先确定
• 对初始均值向量敏感
• 对离群点敏感
• 不断对每一个样本分类调整，不断调整聚类中心，当数据量大时，时间开销大
• 没有先验知识。比如不能加入先验：cluster A: 500; cluster B: 1000
• 不能发现非凸形状的簇

决策树

生成：

• 假设：

  • 当前节点包含的样本均属于同一个类别
  • 当前节点包含的样本集合为空
  • 当前属性集为空，或者所有样本在所有属性上取值相同

  标注该节点为叶节点，返回

• 否则：

  • 在每个节点上，根据特征选择规则（信息增益ID3，增益率C4.5，基尼指数CART等）选择属性，分裂节点，直到无法分裂

常见的特征选择规则：

先导知识：

信息熵\(Ent(D)=-\sum_{k=1}^{|y|}p_klog\ p_k\)。 \(p_k\): 当前样本集合中第k类样本所占比例。

\(Ent(D)\)的值越小，则\(D\)的纯度越高。

多说一句，这和交叉熵定义很像。交叉熵：\(H(p,q)=-\sum_{i=1}^np(x_i)log(q(x_i))\)

• 信息增益\(Gain(D,a)=Ent(D)-\sum_{v=1}^{V}\frac{D^v}{D}Ent(D^v)\)

  特征a上的信息增益，选择较大的特征分裂

• 增益率\(Gain\_ratio(D,a)=\frac{Grain(D,a)}{IV(a)}\)

  其中，\(IV(a)=-\sum_{v=1}^{V}\frac{D^v}{D}log_2\frac{D^v}{D}\)称为特征a的“固有值”。

  特征a上的增益率，选择较大的特征分裂

• 基尼值\(Gini(D)=\sum_{k=1}^{|y|}\sum_{k'\neq k}p_k p_{k'}=1-\sum_{k=1}^{|y|}p_k^2\)

  \(Gini(D)\)反映了从数据集D中随机抽取两个样本，其类别标记不一致的概率。\(Gini(D)\)越小，数据集\(D\)的纯度越高。

  特征a的基尼指数定义为：\(Gini\_index(D,a)=\sum_{v=1}^V\frac{|D^v|}{|D|}Gini(D^v)\)

  选择划分后使得，基尼指数最小的特征

集成算法

boosting：将弱学习器提升为强学习器。典型代表：AdaBoost、GBDT等，GBDT将在下面单独介绍

先从初始训练集训练出一个基学习器，根据基学习器的表现对训练样本分布进行调整，使之前错误分类的样本获得更多的“关注”，基于调整后的样本分布训练下一个基分类器，如此重复，再将T个基分类器加权结合。

AdaBoost

输入:训练数据集\(T=\{(x_1,y_1),(x_2,y_2),...,(x_N,y_N)\}\);弱学习算法
输出:最终分类器\(G(x)\)

1. 初始化训练数据的权值分布：

   \[D_1=(w_{11},w_{12},...,w_{1N}),\quad w_{1j}=\frac{1}{N},i=1,2,...,N \]

2. 对\(m=1,2,...,M\)（训练组合M个弱分类器）：

   1)使用带权值分布的\(D_m\)的训练数据集学习，得到基分类器\(G_m(x):x\to\{-1,+1\}\)

   2)计算\(G_m(x)\)在训练数据集上的分类误差率

   \[e_m=\sum_{i=1}^{N}p(G_m(x_i)\neq y_i)=\sum_{i=1}^{N}w_{m_i}I(G_m(x_i)\neq y_i) \]

   3)计算\(G_m(x)\)的系数

   \[\alpha_m=\frac{1}{2}log \frac{1-e_m}{e_m} \]

   4)更新训练数据集的权值分布

   \[D_{m+1}=(w_{({m+1},1)},w_{({m+1},2)},...,w_{({m+1},N)})\\ w_{(m+1,i)}=\frac{w_{(m,i)}}{Z_m}exp(-\alpha_m y_iG_m(x_i)),\quad i=1,2,...,N \]

   其中\(Z_m\)为规范化系数，\(Z_m=\sum_{i=1}^{N}w_{m_i}exp(-\alpha _my_iG_m(x_i))\)

3. 构建基本分类器的线性分类器：\(f(x)=\sum_{m=1}^M\alpha_mG_m(x)\)

   最终分类器：

   \[G(x)=sign(f(x))=sign(\sum_{m=1}^M\alpha_mG_m(x)) \]

简而言之，求两个参数：训练数据的权重\(D_m\)和基分类器\(G_m(x)\)的系数\(\alpha_m\)

AdaBoost算法是加法模型，损失函数是指数函数，学习算法是前向分布算法时的二分类学习方法

参见李航-《统计学习方法》-p138~p142

bagging：随机森林即是bagging的一种扩展变体。

从原始数据集中采取有放回抽样，构造“采样集”，采样集\(D'\)的数据量是和原始数据集\(D'\)相同的。可采样出T个含m个训练样本的采样集，然后基于每个采样集训练出一个基学习器，再将基学习器结合。

显然有一部分样本会在采样集\(D'\)中出现多次，而另一部分样本始终不出现，样本在\(m\)次采样中始终不被采样到的概率为：

\[\lim_{m\to \infty}(1-\frac{1}{m})^m=\frac{1}{e} \]

随机森林

随机性：

1)基决策树的训练数据集由bagging产生。

2)待选属性集随机产生。待选属性集由节点的属性集合中随机选择的\(k\)个属性组成，\(k=log_2 d\)，d为节点属性集合的大小

对于提升算法而言，基分类器\(f\)常采用回归树和逻辑回归。树模型有以下优缺点。

• 优点
  • 可解释性强
  • 具有伸缩不变性，不必归一化特征
  • 对异常点鲁棒
• 缺点
  • 缺乏平滑性。回归预测时，输出值只能输出有限的若干个数值
  • 不适合处理高维度稀疏数据

gbdt和xgboost区别：

• gbdt在函数空间中采用梯度下降法进行优化
• xgboost在函数空间中利用牛顿法进行优化

梯度提升决策树

梯度提升决策树(Gradient Boosting Decision Tree, GBDT)

梯度提升算法利用梯度下降法的近似方法，其关键是利用损失函数的负梯度在当前模型的值，也就是

\[-\left[ \frac{\partial L(y,f(x_i))}{\partial f(x_i)} \right]_{f(x)=f_{m-1}(x)} \]

作为提升树算法中的残差的近似值，拟合一个回归树

模型F定义（加法模型）：

\[F(x;w)=\sum_{t=0}^T\alpha_t h_t(x;w_t) \]

其中\(x\)为输入样本，\(h\)是分类回归树，\(w\)是分类回归树的权重，\(\alpha\)是每棵树的权重

目标：最小化损失函数

\[F^*=\mathop{argmin}_{F}\sum_{i=0}^N L(y_i,F(x_i;w)) \]

迭代求局部最优解

梯度提升决策树算法流程

输入：\((x_i,y_i),T\)

1. 初始化\(f_0\)
2. \(for\ t=1\ to\ T\ do\)
   • 计算损失函数的负梯度，作为残差的近似值：\(\tilde{y_i}=-\left[ \frac{\partial L(y,F(x_i))}{\partial F(x_i)} \right]_{F(x)=F_{t-1}(x)}\),其中\(i=1,2,...,N\)
   • 学习第\(t\)棵树：\(w^*=\mathop{argmin}_w\sum_{i=1}^{N}(\tilde{y_i}-h_t(x_i;w))\)
   • line search 寻找步长：\(\rho^*=\mathop{argmin}_{\rho}\sum_{i=1}^NL(y_i,F_{t-1}(x_i)+\rho h_t(x_i;w^*))\)
   • 令\(f_t=\rho^*h_t(x;w^*)\)，更新模型
3. 输出\(F_t\)

稍微总结一下上两节(集成算法和梯度提升决策树)的内容，实际上述两节是一起的，但是内容过多而且非常重要，所以拆成了两节。首先说了两种最重要的集成算法，boosting和bagging。boosting算法的代表有AdaBoost、梯度提升树，有名的工具包如XGBoost, LightGBM等，而bagging算法的代表有随机森林。实际上集成算法还包括stacking和blending等，stacking也是比较常用的集成算法，可参见：详解stacking过程、集成学习中的 stacking 以及python实现。实际上，单是一个详解的boosting算法的篇幅都不止如此，况且并无能力指点江山。这里有篇关于XGBoost比较好的解释并且回答中包含了一个PPT，可以下载下来仔细看看：wepon-机器学习算法中 GBDT 和 XGBOOST 的区别有哪些?

再次强调，这部分非常重要，篇幅不够只是因为理解不深，不敢乱写而已:)

大文件排序

大文件，文件大小远大于内存大小，文件为若干数字，要求对这些数字排序

外部排序：内存极少情况下，利用分治策略，利用外存保存中间结果，再用多路归并排序

具体步骤：

1)将大文件根据实际内存大小，分割为合理大小的小文件

2)对每个小文件利用内部排序进行排序

3)每次利用胜者树拿到各个小文件的最小值，从而得到全局最小值，每次将全局最小值写入最终的结果大文件

总而言之，分治和合并的过程。

胜者树和败者树可以在\(log(n)\)的时间内找到最值。胜者树的叶节点存储实际数字，非叶节点存储“胜者”下标。参见：胜者树与败者树

Word2Vec

模型无法直接处理文字，需要转化为实数向量的形式。将word映射到一个新的空间中，并以多维的连续实数空间向量进行表示，叫做word representation，或者word embedding。word embedding目前可以划分为两种方法。一是稀疏表示，如词袋等。二是非稀疏表示，如Word2Vec。Word2Vec在转化后的向量维度大幅降低，且能“保持词语语义”。举例而言，希望将"queen"转化为向量形式，使用one-hot表示，可能需要10000维向量，而使用Word2Vec表示，可能只要20维向量；Word2Vec还能保持词语的含义，两个词转化后的向量距离越小，其词义越相近。

先导知识:

1)稀疏表示的代表：词袋(one-hot)

假设对于一个文本，将其仅仅看作是一个词集合，而忽略其词序和语法

假设通过语料库训练得到了一个词典：{'hello','world','my'}

则

\["world"\to[0,1,0]\\ "my"\to[0,0,1] \]

这是一个很简单的例子，通过语料库训练到的词典有可能含有10000个词语，这是很常见的:)，那么每个词语转化后的向量维数都为10000维

2)n-gram

n-gram是一种统计语言模型。根据前\(n-1\)个item预测第\(n\)个item，这些item可以是音素（语言识别应用），字符（输入法应用），词（分词应用）。一般可以从大规模文本或者语料库中生成n-gram模型。

从字符层级上看，给定一串字符，如for ex_，n-gram可以用来预测下一个可能的字符

• 假设T是由词序列\(A_1,A_2,....A_n\)组成，则

  \[p(T)=p(A_1,A_2,...,A_n)=p(A_1)p(A_2|A_1)p(A_3|A_1,A_2)...p(A_n|A_1,A_2,...,A_{(n-1)}) \]

• 其实就是马尔科夫假设：一个item出现的概率只与前m个item有关

参见词袋模型的通俗介绍

Word2Vec

• 分为两种语言模型：CBOW和Skip-gram

  

• CBOW根据上下文的词语预测当前词语出现概率

  • 最大化对数似然函数\(L=\sum _{w\in c}log\ P(w|context(w))\)

  • 输入层是上下文的词向量（词向量是CBOW的参数，实际上是CBOW的副产物）

  • 投影层是简单的向量加法

  • 输出层是输出最可能的w。由于词料库中词汇量是固定的|c|个，可以将其看作是多分类问题。最后一层是Hierarchical softmax:

    \[p(w|context(w))=\prod_{j=2}^{l^w}p(d_j^w|x_w,\theta_{j-1}^w) \]

    从根节点到叶节点经过了\(l^{w}-1\)个节点，编码从下标2开始（根节点无编码），对应的参数向量下标从1开始。

• skip-gram 已知当前词语，预测上下文

  • 与CBOW不同之处在于：

    1. 输入层不再是多个词向量，而是一个词向量
    2. 投影层实际什么都没干，直接将输入层的词向量传递给输出层

  • 模型：

    \[p(context(w)|w)= \prod_{w \in context(w)}p(u|w) \]

  • 这是一个词袋模型，所以每个u都是无序，相互独立的

  Doc2Vec

与Word2Vec唯一不同之处在于，串联起word vector在上下文中预测下一个单词。

上下文是固定长度且在段落中sliding window中采样，段落向量在一段中共享在同一段中产生的所有窗口，但是不同段间不共享。

---

Connect

Email: cncmn@sina.cn

GitHub: cnlinxi@github

后记

这本是开学初整理的一份笔记，是当时感兴趣的点写写记记而成。本文只是介绍了机器学习领域非常小的一部分，权当管中窥豹。实际上这篇又是拾人牙慧，我尽可能在记得的地方加以引用，但难免疏漏，还请告知以补上引用。以及这里面肯定夹带了我的私货，如有错误，还请斧正。

周志华-《机器学习》

李航-《统计学习方法》