机器学习经典算法 ppt课件

K的值一般选取为√q (q为训练元组的数目，商业算法通常以10作为默认值)
三、朴素贝叶斯
• 机器学习的任务：在给定训练数据D时，确定假设 空间H中的最佳假设。
• 最佳假设：一种方法是把它定义为在给定数据D以 及H中不同假设的先验概率的有关知识下的最可能 假设。贝叶斯理论提供了一种计算假设概率的方法， 基于假设的先验概率、给定假设下观察到不同数据 的概率以及观察到的数据本身。
有监督学习（用于分类）
• 标定的训练数据 • 训练过程：根据目标输出与实际输出的误差信号来调节参
数 • 典型方法
– 全局：BN, NN,SVM, Decision Tree – 局部：KNN、CBR(Case-base reasoning)
X2 (area)
Object Feature Representation
S(x)>=0 Class A
S(x)<0 Class B
S(x)=0
(perimeter) X1
Objects
无监督学习（用于聚类）
• 不存在标定的训练数据 • 学习机根据外部数据的统计规律（e.g. Cohension &
divergence ）来调节系统参数，以使输出能反映数据的某 种特性。 • 典型方法 – K-means、SOM….
经典算法
机器学习十大经典算法
1. C4.5 2. 分类与回归树 3. 朴素贝叶斯Hale Waihona Puke Baidu4. 支持向量机（SVM) 5. K近邻（KNN） 6. AdaBoost 7. K均值（K-means） 8. 最大期望（EM） 9. Apriori算法 10.Pagerank
机器学习方法的分类
基于学习方式的分类
（2）在面对诸如存在缺失值、变量数多等问题时C&RT 显得非常稳健（ robust）；
（3）估计模型通常不用花费很长的训练时间； （4） 推理过程完全依据属性变量的取值特点（与 C5.0不同，C&RT的输
出字段既可以是数值型，也可以是分类型） （5）比其他模型更易于理解——从模型中得到的规则能得到非常直观的
• 主要应用在电子邮件过滤和文本分类的研究
朴素贝叶斯算法原理：
四、KNN
• K-近邻分类算法（K Nearest Neighbors，简称 KNN）通过计算每个训练数据到待分类元组的距 离，取和待分类元组距离最近的K个训练数据，K 个数据中哪个类别的训练数据占多数，则待分类元 组就属于哪个类别。
决策树停止生长的条件
满足以下一个即停止生长。 • （1） 节点达到完全纯性； • （2） 数树的深度达到用户指定的深度； • （3） 节点中样本的个数少于用户指定的个数； • （4） 异质性指标下降的最大幅度小于用户指定的
幅度。
• 剪枝：完整的决策树对训练样本特征的描述可能“ 过于精确”（受噪声数据的影响），缺少了一般代 表性而无法较好的用对新数据做分类预测，出现 ” 过度拟合”。
解释，决策推理过程可以表示成 IF…THEN的形式 （6）目标是定类变量为分类树，若目标变量是定距变量，则为回归树； （7）通过检测输入字段，通过度量各个划分产生的异质性的减小程度，
找到最佳的一个划分。 （8）非常灵活，可以允许有部分错分成本，还可指定先验概率分布，可
使用自动的成本复杂性剪枝来得到归纳性更强的树
• 设S代表训练数据集，由s个样本组成。A是S的某个属 性，有m个不同的取值，根据这些取值可以把S划分为 m个子集，Si表示第i个子集（i=1,2,…,m），|Si|表 示子集Si中的样本数量。
数据集如图1所示，它表示的是天气情况与去不去打高尔夫球之间的关系
二、分类和回归树（Classification and Regression Trees——CART，可简写为C&RT）
决策树的优势在于不需要任何领域知识或参数 设置，产生的分类规则易于理解，准确率较高。适 合于探测性的知识发现。
缺点是：在构造树的过程中，需要对数据集进 行多次的顺序扫描和排序，因而导致算法的低效。
• 增益比率度量是用增益度量Gain(S，A)和分裂信息度 量SplitInformation(S，A)来共同定义的
（1）有监督学习：输入数据中有导师信号，以概率函数、代 数函数或人工神经网络为基函数模型，采用迭代计算方法 ，学习结果为函数。
（2）无监督学习：输入数据中无导师信号，采用聚类方法， 学习结果为类别。典型的无导师学习有发现学习、聚类、 竞争学习等。
（3）强化学习（增强学习）：以环境反馈（奖/惩信号）作 为输入，以统计和动态规划技术为指导的一种学习方法。
移去对树的精度影响不大的划分。使用 成本复杂度 方法，即同时度量错分风险和树的复杂程度，使二 者越小越好。
• 剪枝方式：
A、 预修剪（prepruning）：停止生长策略
B、后修剪（postpruning）：在允许决策树得到最充 分生长的基础上，再根据一定的规则，自下而上逐 层进行剪枝。
优点
（1）可自动忽略对目标变量没有贡献的属性变量，也为判断属性变量的 重要性，减少变量数据提供参考；
• CART算法中的每一次分裂把数据分为两个子集，每 个子集中的样本比被划分之前具有更好的一致性。 它是一个递归的过程，也就是说，这些子集还会被 继续划分，这个过程不断重复，直到满足终止准则 ，然后通过修剪和评估，得到一棵最优的决策树。
在ID3算法中，用“熵”来度量数据集随机性的 程度。在CART中我们把这种随机性的程度称为“杂 度”（impurity，也称为“不纯度”），并且用“ 吉尼”(gini)指标来衡量它。
示例：聚类
半监督学习
• 结合（少量的）标定训练数据和（大量的）未标定 数据来进行学习
• 典型方法 – Co-training、EM、Latent variables….
一、C4.5
C4.5由J.Ross Quinlan在ID3的基础上提出的 。ID3算法用来构造决策树。决策树是一种类似流 程图的树结构，其中每个内部节点（非树叶节点） 表示在一个属性上的测试，每个分枝代表一个测试 输出，而每个树叶节点存放一个类标号。一旦建立 好了决策树，对于一个未给定类标号的元组，跟踪 一条有根节点到叶节点的路径，该叶节点就存放着 该元组的预测。