機器學(xué)習(xí)定義：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E(一個程序從經(jīng)驗E中學(xué)習(xí)解決任務(wù)T進行某一任務(wù)量度P，通過P測量在T的表現(xiàn)而提高經(jīng)驗E(另一種定義：機器學(xué)習(xí)是用數(shù)據(jù)或以往的經(jīng)驗，以此優(yōu)化計算機程序的性能標準。)

　　不同類型的機器學(xué)習(xí)算法：主要討論監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)

　　監(jiān)督學(xué)習(xí)：利用一組已知類別的樣本調(diào)整分類器的參數(shù)，使其達到所要求性能的 過程，也稱為監(jiān)督訓(xùn)練或有教師學(xué)習(xí)。(樣本有明確的標簽和定義，數(shù)據(jù)間有明確的邏輯關(guān)系。通過已有的數(shù)據(jù)來預(yù)測未知的數(shù)據(jù)。)，主要涉及回歸問題和分類問題。

　　無監(jiān)督學(xué)習(xí)：根據(jù)沒有標記的數(shù)據(jù)樣本識別各種問題。典型例子是聚類算法。

　　1.線性回歸問題

　　設(shè)計一個函數(shù)，使它盡量滿足我們所給出的數(shù)據(jù)(訓(xùn)練集，可能有很多個特征，這里簡化假設(shè)只有一個特征也就是只有一個變量x，我們假設(shè)給出m組數(shù)據(jù)*)，并可以對數(shù)據(jù)做出可信的預(yù)測。

　　如果我們的假設(shè)函數(shù)設(shè)為

　　hθ(x)=θ0+θ1x，此處的θ為模型參數(shù)，選擇不同的θ0和θ1能夠得到不同的函數(shù)圖像?，F(xiàn)在如何得到最能夠擬合數(shù)據(jù)的一組θ0和θ1呢?

　　這個“最能擬合數(shù)據(jù)”可以理解為對每一個x，其預(yù)測值與真實值，也即

　　|hθ(xi)-yi| 最小，我們引入一個代價函數(shù) J(θ0，θ1)：

　　J(θ0，θ1)=1/2m∑(hθ(xi)-yi)^2

　　可以看出，我們的目的就是找出最適合的θ0和θ1，使代價函數(shù)J(θ0，θ1)的值最小。

　　要找出這個最小值，我們可以采用一種梯度下降的方法，在此之前，先得更深層次地理解代價函數(shù)。

　　我們先忽視θ0，那么代價函數(shù)是關(guān)于θ1的函數(shù)，要找出其最小值，通過圖像可以看到：

　　θ1取中間那一點就是我們所求值。我們可以從其他的點不斷”逼近“最低點，具體操作為：

　　不斷更新θ1：

　　θ1：=θ1-α/θ1*J(θ1)

　　后面那一項是J在θ1這一點的偏導(dǎo)數(shù)?？梢岳斫鉃閷ⅵ?向其斜率方向偏移一點點，由于J(θ1)不斷減小，偏移量也不斷減小。這樣隨著不斷更新，我們可以得到最終結(jié)果。

　　現(xiàn)在如果我們在引入θ0，那么代價函數(shù)是關(guān)于兩個變量的函數(shù)，所成的圖像是一個曲面，同樣要找到”最低點“，應(yīng)對兩變量同時進行上面的更新。

　　同樣的，如果特征量非常多，J是有關(guān)n個變量的函數(shù)，同樣沿用上面的方法。

　　梯度下降的幾個注意點：

　　更新式子的α可以理解為下降的”“步幅”，但α過小會導(dǎo)致回歸速度很慢，需要更新多次。而α過大會導(dǎo)致無法達到最低點，在更新一次后可能越過最低點。

　　α(稱為學(xué)習(xí)率)的選取可以觀察(更新次數(shù))~J的圖像。

　　藍色的曲線表示所取的α較合適，下面的綠色表示α過小，上面的綠色表示α過大。

　　對于θ的更新，式子可以展開簡化為

　　*θi=θi-1/m∑(hθ(xi)-yi)xi

　　(i=0，1，2，3···n)其中x0=1;

　　特征縮放。對于有多個特征的數(shù)據(jù)，如果各個特征的范圍比較接近，梯度下降法可以更快的收斂。

　　執(zhí)行時更一般地將特征約束到-1到1之間?？梢杂眠@個式子：

　　xi=(xi-μi)/si其中μ為特征x的平均值，s為特征x的范圍。

　　正則化問題。實際問題中一個結(jié)果可能和多個特征有關(guān)，如果特征過多，而訓(xùn)練數(shù)據(jù)較少，為了強行滿足所有的數(shù)據(jù)，會出現(xiàn)“過擬合”現(xiàn)象：

　　解決方法是盡量去掉不必要的特征量，或者進行正則化，將所有特征量減小(一般不包括x0)。

　　J(θ)=1/2m[∑(hθ(x)-y)2+λ∑θ 2](后面加的稱為懲罰項)要讓這個式子盡量小，那么θ就要盡量小，以此達到減小θ的目的。

　　將這個修改后的代價函數(shù)帶入更新式。

　　θ=θ(1-αλ/m)-a/m∑(h(x)-y)x

　　這會使曲線相對平滑。正則化參數(shù)要設(shè)的大一點，但如果太大的話所有θ相當于不存在，曲線就會成一條水平直線。

　2,分類問題

　　在分類問題中，我們簡化模型為只有兩個分類0和1.但數(shù)據(jù)的范圍遠在0至1之外，所以我們可以用logistic函數(shù)做處理：

　　h(x)=1/(1+e-fθ(x))

　　z為0時g(z)取0.5，g(z)在0到1之間

　　這樣就可以將正負改為與0.5的大小區(qū)別，實際上h(x)=P(y=1|x;θ)

　　即得到的結(jié)果可以代表y為1的概率

　　這樣當h(x)>0.5時我們可以認為對應(yīng)的xi分類為使y為1，h(x)<0.5認為對應(yīng)的xi使y為0。

　　如圖的h(x)將數(shù)據(jù)分為兩部分，這條線叫做決策邊界。在線內(nèi)外的數(shù)據(jù)位置分別對應(yīng)著與零的大小，概率表現(xiàn)在h(x)上。當然決策邊界可以是不同形式的函數(shù)。