最新机器学习研究：综述 - Read ppt课件

划分
n 将被观测的对象集合放到一个n维欧氏空间， 寻找一个超平面，使得问题决定的不同对 象分在不相交的区域。
n 机器学习主要研究的是这部分内容，即， 寻找划分对象集合的超平面(等价关系)。
超平面类型
n 光滑且连续的超平面。 n 有限不光滑点，甚至有限不连续
点的超平面。
光滑连续超平面作为研究基础
集成机器学习。
n 遗传机器学习。
统计机器学习。
n 分析机器学习。
增强机器学习。
机器学习计算的说明
n 令W是这个给定世界的有限或无限所有对 象的集合，由于我们观察能力的限制，我 们只能获得这个世界的一个有限的子集 QW。
n 机器学习的任务就是根据这个世界的对象 子集Q，计算这个世界的统计分布。这样， 在统计意义下，这个分布对这个世界的绝 大多数对象是正确的。这就是这个世界的 一个模型。
泛化能力的几何解释(示意图)
线性可分问题
n 定理： n 如果一个样本集合是线性可分的，它们一
定可以构成两个不相交的闭凸集。 n 这样，线性可分问题变为计算两个闭凸集
的最大边缘问题。
线性不可分问题
n 划分问题：怎样获得两个不相交 的闭凸集。
n 泛化问题：怎样使两个闭凸集之 间的距离最大。
核技术
n Perceptron，人工神经网络是典型例子。 n 困难： n 对线性不可分的对象集合，如果限制算法
是P的，则存在本质性困难。
泛化
n 机器学习的首要任务是划分。只有找到一 个等价关系(模型)，将不同类的样本划分 为不同的类，才能考虑其他问题。
n 泛化是一个确定的划分对世界的分类能力。 n 由于可能存在不同的划分样本集合方法，
Vapnik的统计观点
n Vapnik希望改变Duda的统计观点。 n 泛化描述“从样本数趋于无穷大”变为
“在给定样本集”基础上判定。 n 由此，建立基于样本集合结构的VC维来描
述的理论。 n 这样，机器学习的目标函数就可以建立在
样本集合的结构之上。 n 这是统计机器学习理论的精髓。
泛化能力
n 以下不等式依概率1-成立：
n 在感知机时代，基于Duda泛化理论无法指 导机器学习算法的设计，这样，评价机器 学习算法只能以划分能力作为指标。
n Vapnik对这个问题做出重要贡献。 n 这样，注重从划分变为泛化。
以划分能力为目标的研究
n 这类研究的指导思想，一直延续到上个世 纪的九十年代。
n 直到今天，还有大量的学者以此作为机器 学习的指导思想。以BP算法为核心的神经 网络研究是典型例子。
n 没有一种算法可以解决复杂的实际问题。需要各
种算法集成。
算法驱动
n 海量数据(108-10)。 n 算法的泛化能力，或算法可解释。 n 不同类型数据的学习方法。
机器学习研究热点的变迁
n 1989年(Carbonell), 1997年(Dietterich)
n 符号机器学习。
符号机器学习。
n 连接机器学习。
RQRemQ p* c lM R22lolg log
n R: 包含所有样本的球半径 n M: 边缘 n l: 样本个数
泛化不等式的解释
n M>0，边缘不能等于零。这意味着，样本 集合必须是可划分的。
n 边缘最大，泛化能力最强。泛化能力可以 使用样本集合的边缘来刻画。
n 泛化能力的描述无需使用世界W来刻画， 而只需样本集合Q来刻画。
三个要求
n 一致性假设：机器学习任务的本质。 n 对样本空间的划分：决定对样本的有
效性。 n 泛化能力：决定对世界的有效性。
一致性假设
n 假设世界W与被观察的对象集合Q具 有某种相同的性质。
n 称为一致性假设。
基于统计的假设
n 原则上说，存在各种各样的一致性假 设。
n 在统计意义下，一般假设： n W与Q具有同分布。或， n 给定世界W的所有对象独立同分布。
n 但是，如果研究者忘记SVM所基于的统计 基础，就与Vapnik的本意相悖了。
n 事实上，Vapnik的统计理论才是其精华， 而基于这个理论的算法只是从这个统计理 论派生的自然结果。
机器学习的统计假设
n 机器学习的统计基础是基于经验风险最小 假设，以此，对机器学习算法所建模型的 泛化能力估计(经验风险)。
n 可以证明，一定存在一个映射，称为核函 数，将在欧式空间定义的样本映射到特征 空间(一个更高维的空间)，使得在特征空 间上，样本构成两个不相交的闭凸集。
n 研究核函数选择的技术称为核技术。
SVM
n 给定核函数，如果它可以保证将样本集合 在特征空间变换为两个不相交的闭凸集， 则对这个样本集合的最大边缘可以通过二 次规划、计算几何等方法获得。由此，可 以获得支持向量。
机器学习研究：综述 - Read
反思
n 网络经济的泡沫破灭之后，哪些 是值得我们在研究方向上反思的 问题呢？
n 我们的研究应注意哪些课题呢？
需求---NII计划
n 不分地域地、有效地获得与传输信息。 n 不分地域地、有效地共享硬软资源。 n 有效地利用信息，以提高生产率。 n 保证信息安全。
信息安全 n 信息的安全还没有保证。
n 划分是机器学习的一个目标，但是，不是 预测任务的主要研究目标。
神经网络---BP算法
n 使用了一种非线性的基函数。 n 这项研究的意义是为研究者回归感知机做
好了舆论的准备。 n 其在科学上的意义，远不如提示人们再次
注意感知机的作用更大。
统计机器学习理论与SVM
n 对机器学习的研究者来说，统计机器学习 理论所派生的算法SVM似乎更有吸引力。
提高信息使用率
n 以机器学习为理论基础的各种方 法，是提高信息使用率的有效途 径之一。
n 机器学习 n 复杂数据分析(符号机器学习)
机器学习
n 机器学习的一般说明 n 统计机器学习 n 集成机器学习
机器学习的研究动力
n 领域应用驱动。 n 算法驱动。
领域应用驱动
n 自然语言数据分析。 n DNA数据分析。 n 网络与电信数据分析。 n 图像数据分析。 n 金融与经济数据分析。 n 零售业数据分析。 n 情报分析。
其泛化能力不同，泛化能力最强的划分就 是我们希望的分类器。
Dudwk.baidu.com的泛化能力描述
n 以样本个数趋近无穷大来描述模型的 泛化能力。
n 泛化能力需要使用世界W来刻画，是 无法构造的判据。
n 均方差可作为目标函数。
评述
n 由于人们没有找到基于样本集合Q的描述 泛化能力的数学工具。另外，线性不可分 问题是一个困难。