机器学习的一些基本概念（函数/标准化/梯度下降/正则化）

基本概念

各种函数

• 损失函数（Loss Function）度量单样本****或者一个批次的样本预测的错误程度，损失函数越小，模型就越好。常用的损失函数包括：0-1损失函数、平方损失函数、绝对损失函数、对数损失函数等
• 代价函数（Cost Function）度量全部样本集的平均误差。常用的代价函数包括均方误差、均方跟误差、平均绝对误差等
• 目标函数（Object Function）代价函数和正则化函数，最终要优化的函数

特征标准化/数据归一化/标准化

• 数据归一化和标准化都是常用的数据预处理方法，它们的目的是将不同范围的数据映射到相同的范围内，以便更好地进行模型训练

• 为什么要标准化？

  • 提升模型精度：不同维度之间的特征在数值上有一定比较性，可以大大提高分类器的准确性
  • 加速模型收敛：最优解的寻优过程会明显变得平缓，更容易正确的收敛到最优解
  • 自己的理解：在特征的量级较大的时候会占到的 权重会比较大，对模型的影响也比较大

• 什么样的数据需要归一化与标准化？

  • 需要数据归一化/标准化
    • 线性模型，如基于距离度量的模型包括KNN（K近邻）、K-menas聚类、感知机和SVM。另外，线性回归类的几个模型一般情况下也是需要做数据归一化/标准化处理
  • 不需要做数据归一化/标准化
    • 决策树、基于决策树的Boosting和Bagging等集成学习模型对于特征取值大小并不敏感，如随机森林、XGBoost、LightGNM等树模型，以及朴素贝叶斯，以上这些模型不需要坐数据归一化/标准化处理

• 相关方法

  • 归一化（最大-最小规范化）

    -

    • 数据归一化的目的是使得各特征对目标变量的影响一致，会将特征数据进行伸缩变化，所以数据归一化时会改变特征数据分布

  • Z-Score标准化

    • 

    • 数据标准化为了不同特征之间具备可比性，经过标准化变换之后的特征数据分布没有发生改变

    • 就是当数据特征取值范围或单位差异较大时，最好做一下标准化处理

梯度下降

梯度下降的三种形式

• 批量梯度下降：梯度下降的每一步中，都用到了所有的训练样本

• 随机梯度下降：梯度下降的每一步中，用到一个样本，在每一次计算之后便更新参数，而不需要首先将所有的训练集求和

• 小批量梯度下降：梯度下降的每一步中，用到了一定批量的训练样本

正则化

欠拟合的处理

• 添加新特征
  • 当特征不足或者现有特征与样本标签相关性不强时，模型容易出现欠拟合。通过挖掘组合特征等新的特征，往往能够取得更好的效果
• 增加模型复杂度
  • 简单模型的学习能力较差，通过增加模型的复杂度可以使模型拥有更强的拟合能力。例如，在线性模型中添加次高项，在神经网络模型中添加网络层数或神经元个数等
• 减小正则化系数
  • 正则化用来防止过拟合的，但当模型出现欠拟合现象时，则需要针对性地减小正则化系数

过拟合的处理

• 获得更多的训练数据
  • 使用更多的训练数据是解决过拟合问题最有效的手段，因为更多的样本能够让模型学习到更多更有效的特征，减小噪声的影响
• 降维
  • 即丢弃一些不能帮助我们正确预测的特征，可以是手工选择保留哪些特征，或者使用一些模型选择的算法来帮忙（例如PCA）
• 正则化
  • 正则化的技术，保留所有的特征，但是减少参数的大小（magnitude）,它可以改善或者减少过拟合问题
• 集成学习方法
  • 集成学习是把多个模型集成在一起，来降低单一模型的过拟合风险