第三篇--加法模型与提升方法boost

数据挖掘韩韬 发表了文章 • 3 个评论 • 207 次浏览 • 2017-03-24 23:43 • 来自相关话题

    开始记录算法,和前两篇相比是不是有点太突然?(本文断断续续写了一天,今天上三节课都迟到了……老油条的感慨)
    了解一个领域最重要的就是知道它的思维方式以及它在做什么事情。通过一些积累和总结,我们知道了机器学习就是认为:在掌握的数据和我们的任务之间存在某一个模式,我们要利用机器,学习出这个模式。
     我们仔细审视这句话。问题一:这些数据可以表达出这样的模式吗?问题二:机器怎怎么学习?问题三:怎样判断学出的这个模式的好坏?
     这几个问题会引申出很多讨论。问题一的回答引向数据清洗、特征工程,这决定了学习机器表现的上限;问题二的回答引出算法与优化,重要性不言而喻;问题三的回答引出性能评价方法,通常从具体任务的特性中抽象出来。

     上面的话基本……额……不是今天主要的内容。
     今天想讨论问题二——算法与优化,内容并不符合正常的学习顺序





一、加法模型
(注意:不同于统计学时间序列处理的加法模型)
基本逻辑:
      生活中有很多复杂的事情,单项较弱的个人能力,解决起来总是会有盲点,因此我们就想找人商量商量,组合成强的能力——“三个臭皮匠顶个诸葛亮”嘛(一只小企鹅不行,四个小企鹅就很(。・∀・)ノ゙嗨了)。这是下面我们开展工作的自然的逻辑。数学抽象为:





(M个人每个人的重要性是β(m),γ(m)是这个人的特点,x是这个问题,此人的建议就是b(x;γ(m)))
好的,以上就是加法模型, 的确就是这么简单。下面变换个说法,用基学习器代替人,用学习器权重代替重要性,每个人的特点就是学习器的参数,x就是训练数据集。
       有时候做分类任务时,弱分类器好做,强分类器难做,就适用加法模型了。但是弱分类器不能太差(比如精度小于50%),那说明和随机猜测没什么分别,不能饥不择食。
       不过实质上,还有更多的事情需要处理。显然的两个问题:第一、找什么样人讨论?(基学习器怎么生成)第二、每个人重要性怎么定(权重怎么确定)?这就是我们需要做的真正复杂的工作。
      思考:如果学习器都有同样的优缺点,那就造成冗余,而且没有提高的可能。所以最好是什么情况:各有所长,互缺点互补。(就算是十个臭皮匠,组合之后最多也是开一个臭·皮匠の店)
       好,那我们就利用数学和算法实现这个想法。
       首先,我们量化一下所谓的缺点,它的表示形式应当是训练中预测值与真实值的差距,也就是损失函数  L( y,f(x) ) (loss between real y and prediction f(x)).我们要把它降到最小,也就是:




       这个东西怎么求最小?有求和的公式,很复杂。利用算法思想——前向分步算法。前向就是沿着计算方向向前进行,不断加入新的学习器,分步就是一步一步优化总学习器。我们只需要在第m步(m>=1)求解参数β和γ,这就方便使得新加进学习器之后模型损失最小:




(一步步积累模型,在已有的f(m-1)基础上优化 f(m-1)+βb(x;γ). 显然这是一个greedy strategy)
以下算法描述来自《统计学习方法》




损失函数如何求最小值,这就需要数学解答了。通常没有约束容易求导,会使用梯度下降;有约束条件,常用拉格朗日橙子(杠掉)乘子,转化为对偶问题(dual problem)。




二、提升方法(boost)
当你理解加法模型后,你就知道,加法模型本身就是一种提升方法。
事实上,著名的Adaboost本身就是加法模型的特例。不过Adaboost我更感觉像是从一个学习器出发,根据他的弱点构造互补型学习器,最后将其进行加权线性组合。如何根据他的弱点构造呢?就是将前任做错的事情强迫他更“认真地”去做(加大分类错误样本惩罚权重)。具体的过程很有意思,可以看一看。
提升方法中对于树模型的提升研究较多。对于错误(损失函数)和"有错就改"这个思想的表达的不同分为很多boost算法。如下图所示:




需要说明的是,提升方法太多了,后面可能会讲的模型融合方法bagging、stacking、boosting……这是一个很广泛的理念。
 
不过这里实在是写不下了,我就不写了(费马脸.jpg)
其实整个学习过程就是一个自我教育的过程,机器学习应当归属教育学。
微信阅读不是很深刻,所以留条活路,写得轻松一点。
转载请 联系 注明(字字看来皆是困,一天辛苦不寻常)
不是很烦,可以关注





  查看全部
    开始记录算法,和前两篇相比是不是有点太突然?(本文断断续续写了一天,今天上三节课都迟到了……老油条的感慨)
    了解一个领域最重要的就是知道它的思维方式以及它在做什么事情。通过一些积累和总结,我们知道了机器学习就是认为:在掌握的数据和我们的任务之间存在某一个模式,我们要利用机器,学习出这个模式。
     我们仔细审视这句话。问题一:这些数据可以表达出这样的模式吗?问题二:机器怎怎么学习?问题三:怎样判断学出的这个模式的好坏?
     这几个问题会引申出很多讨论。问题一的回答引向数据清洗、特征工程,这决定了学习机器表现的上限;问题二的回答引出算法与优化,重要性不言而喻;问题三的回答引出性能评价方法,通常从具体任务的特性中抽象出来。

     上面的话基本……额……不是今天主要的内容。
     今天想讨论问题二——算法与优化,内容并不符合正常的学习顺序

0.png

一、加法模型
(注意:不同于统计学时间序列处理的加法模型)
基本逻辑:
      生活中有很多复杂的事情,单项较弱的个人能力,解决起来总是会有盲点,因此我们就想找人商量商量,组合成强的能力——“三个臭皮匠顶个诸葛亮”嘛(一只小企鹅不行,四个小企鹅就很(。・∀・)ノ゙嗨了)。这是下面我们开展工作的自然的逻辑。数学抽象为:

1.png

(M个人每个人的重要性是β(m),γ(m)是这个人的特点,x是这个问题,此人的建议就是b(x;γ(m)))
好的,以上就是加法模型, 的确就是这么简单。下面变换个说法,用基学习器代替人,用学习器权重代替重要性,每个人的特点就是学习器的参数,x就是训练数据集。
       有时候做分类任务时,弱分类器好做,强分类器难做,就适用加法模型了。但是弱分类器不能太差(比如精度小于50%),那说明和随机猜测没什么分别,不能饥不择食。
       不过实质上,还有更多的事情需要处理。显然的两个问题:第一、找什么样人讨论?(基学习器怎么生成)第二、每个人重要性怎么定(权重怎么确定)?这就是我们需要做的真正复杂的工作。
      思考:如果学习器都有同样的优缺点,那就造成冗余,而且没有提高的可能。所以最好是什么情况:各有所长,互缺点互补。(就算是十个臭皮匠,组合之后最多也是开一个臭·皮匠の店)
       好,那我们就利用数学和算法实现这个想法。
       首先,我们量化一下所谓的缺点,它的表示形式应当是训练中预测值与真实值的差距,也就是损失函数  L( y,f(x) ) (loss between real y and prediction f(x)).我们要把它降到最小,也就是:
3.jpg

       这个东西怎么求最小?有求和的公式,很复杂。利用算法思想——前向分步算法。前向就是沿着计算方向向前进行,不断加入新的学习器,分步就是一步一步优化总学习器。我们只需要在第m步(m>=1)求解参数β和γ,这就方便使得新加进学习器之后模型损失最小:
4.2_.png

(一步步积累模型,在已有的f(m-1)基础上优化 f(m-1)+βb(x;γ). 显然这是一个greedy strategy)
以下算法描述来自《统计学习方法》
5.jpg

损失函数如何求最小值,这就需要数学解答了。通常没有约束容易求导,会使用梯度下降;有约束条件,常用拉格朗日橙子(杠掉)乘子,转化为对偶问题(dual problem)。
6.jpg

二、提升方法(boost)
当你理解加法模型后,你就知道,加法模型本身就是一种提升方法。
事实上,著名的Adaboost本身就是加法模型的特例。不过Adaboost我更感觉像是从一个学习器出发,根据他的弱点构造互补型学习器,最后将其进行加权线性组合。如何根据他的弱点构造呢?就是将前任做错的事情强迫他更“认真地”去做(加大分类错误样本惩罚权重)。具体的过程很有意思,可以看一看。
提升方法中对于树模型的提升研究较多。对于错误(损失函数)和"有错就改"这个思想的表达的不同分为很多boost算法。如下图所示:
7.jpg

需要说明的是,提升方法太多了,后面可能会讲的模型融合方法bagging、stacking、boosting……这是一个很广泛的理念。
 
不过这里实在是写不下了,我就不写了(费马脸.jpg)
其实整个学习过程就是一个自我教育的过程,机器学习应当归属教育学。
微信阅读不是很深刻,所以留条活路,写得轻松一点。
转载请 联系 注明(字字看来皆是困,一天辛苦不寻常)
不是很烦,可以关注

8.png

 

各家笔试经历

求职经验王开新 发表了文章 • 0 个评论 • 232 次浏览 • 2017-03-21 20:08 • 来自相关话题

美团点评-机器学习
没好好复习,应该是挂了。
-----------------------------------------------------
美团笔试除了智力题和性格题外,专门的技术题有一个小时的时间:16道单选,10道多选,一道简答,一道编程
(1)单选:稳定的排序算法,快排,图遍历,优化方法,基础的分类聚类算法(好多),出栈顺序判断,一些算法OJ中的题(总共只刷过3道leetcode,竟然都能碰上一道)
(2)多选:出栈可能顺序判断,机器学习基础算法(好多)
(3)简答:给定决策树的一些参数,求决策树学习的时间复杂度
(4)编程:有向图用邻接表存储,编程判断图中是否含有环
 
笔试题很重基础,还是要多刷题
 
今日头条-机器学习算法
​2个小时,四道普通编程题,难度和课后作业差不多,只支持Python2.7(用python3的我表示调试得好难受)
可惜只AC了一道,其它都只AC了30%样例,搞不清楚为啥
输入输出比牛客网友好多了,然而是Python2的raw_input,不能本地调试 T T
 
微软预科生
两个半小时,四道编程题,题比较难,需要刷题基础,想了一道,看了一下剩下的几道,放弃
 
京东算法与数据分析岗
总共两个小时,30道选择(有单选和多选),2道编程,时间可以自由分配
选择题与机器学习有关的题非常简单,其它与linux,网络,操作系统有关的题一脸懵逼
编程题难度不均,第一题10分钟就做完AC了,第二题写了一个半小时还是只能写出O(n2)的算法,果然超时,而且只AC了70%
PS:看了下题解,发现第一道编程题简单只是运气好
Update:4.10笔试通过
 
携程机器学习岗
两个小时,终于终于没有编程题了!前30个选择题是智力数学题,20个选择题考机器学习的知识。两道简答题:一道与编码和信息熵有关,比较简单;另一道是手推逻辑回归梯度下降公式(跪。。。真的想不起来了,总是卡在求导)。一道附加题,考正负样本不平衡怎么处理。
PS:估计是挂了 查看全部
美团点评-机器学习
没好好复习,应该是挂了。
-----------------------------------------------------
美团笔试除了智力题和性格题外,专门的技术题有一个小时的时间:16道单选,10道多选,一道简答,一道编程
(1)单选:稳定的排序算法,快排,图遍历,优化方法,基础的分类聚类算法(好多),出栈顺序判断,一些算法OJ中的题(总共只刷过3道leetcode,竟然都能碰上一道)
(2)多选:出栈可能顺序判断,机器学习基础算法(好多)
(3)简答:给定决策树的一些参数,求决策树学习的时间复杂度
(4)编程:有向图用邻接表存储,编程判断图中是否含有环
 
笔试题很重基础,还是要多刷题
 
今日头条-机器学习算法
​2个小时,四道普通编程题,难度和课后作业差不多,只支持Python2.7(用python3的我表示调试得好难受)
可惜只AC了一道,其它都只AC了30%样例,搞不清楚为啥
输入输出比牛客网友好多了,然而是Python2的raw_input,不能本地调试 T T
 
微软预科生
两个半小时,四道编程题,题比较难,需要刷题基础,想了一道,看了一下剩下的几道,放弃
 
京东算法与数据分析岗
总共两个小时,30道选择(有单选和多选),2道编程,时间可以自由分配
选择题与机器学习有关的题非常简单,其它与linux,网络,操作系统有关的题一脸懵逼
编程题难度不均,第一题10分钟就做完AC了,第二题写了一个半小时还是只能写出O(n2)的算法,果然超时,而且只AC了70%
PS:看了下题解,发现第一道编程题简单只是运气好
Update:4.10笔试通过
 
携程机器学习岗
两个小时,终于终于没有编程题了!前30个选择题是智力数学题,20个选择题考机器学习的知识。两道简答题:一道与编码和信息熵有关,比较简单;另一道是手推逻辑回归梯度下降公式(跪。。。真的想不起来了,总是卡在求导)。一道附加题,考正负样本不平衡怎么处理。
PS:估计是挂了

各家面经

求职经验王开新 发表了文章 • 1 个评论 • 215 次浏览 • 2017-03-09 15:51 • 来自相关话题

滴滴-数据分析(直招)
前几天投了个滴滴的数据分析岗实习,没想到第二天就打电话来约面试,今天去面试了下,发现岗位不太合适,于是拒了。把经历分享一下(其实就是想发个笔试题)
 
滴滴的数据分析岗非常偏运营,说是数据分析,其实就是从数据中看出问题,想办法激励司机及招聘新司机(因为目前遇到的问题主要是司机供不应求)。用到的主要工具是EXCEL,偶尔会用一些SQL,信管的同学应该都没问题。这个实习不是走网申通道的,好像是部门直接招,面试官就是将来的leader。现场给了一套题让做做,内容和平时工作场景差不多,想了解的可以看看。(发现好多东西都能用Python一句解决啊,为什么要用EXCEL呢,于是就拒了。)
 
凑不出来字数了,今天天气不错,就当春游了。
 
酷家乐-机器学习(内推)
一面打来电话的并不是搞机器学习的,只问了一些基础的算法知识(就是需要刷题的那种),答得不好,一面被拒。
 
边锋-AI项目实习生(直招)
和浙大合作的一个项目,找人进去写python,打了两次电话问了下基本情况,后来又当面面试了下,问了python基础知识。可能是觉得我代码量不够,被刷。
 
京东-算法工程师
过了笔试,却没想到一面竟然是问基础算法,电面,30分钟。第一部分远程写代码,15分钟,快写完了发现不能覆盖所有样例;第二部分问知道哪些排序算法,让讲一下计数排序,又问了什么是稳定排序,于是————第N次跪在了稳定排序上。搞不懂为什么要问这个。最后我问他为什么没有机器学习方向的问题,他说二面会问。但。。。估计是没有二面了。
 
蘑菇街-算法工程师
内推直接面试,因为在杭州,所以就去公司现场面。手写了一个简单的str2int,问了很多机器学习方面的知识,随机森林,adaBoost,Xgboost,逻辑回归等等都问到了,答得还行,一面就挂还是有点意外。它们公司用Scala比较多,会Scala可能会有加分吧。
 
---------------------------------------------------------------------------
 
春招差不多结束了,0 offer。归根到底还是水平不足,最大的教训就是:那些所谓“面试/笔试”常考问题是真的会被问出来的,不能觉得那些没意思而不去准备。
 
继续刷PRML/LeetCode​ 查看全部
滴滴-数据分析(直招)
前几天投了个滴滴的数据分析岗实习,没想到第二天就打电话来约面试,今天去面试了下,发现岗位不太合适,于是拒了。把经历分享一下(其实就是想发个笔试题)
 
滴滴的数据分析岗非常偏运营,说是数据分析,其实就是从数据中看出问题,想办法激励司机及招聘新司机(因为目前遇到的问题主要是司机供不应求)。用到的主要工具是EXCEL,偶尔会用一些SQL,信管的同学应该都没问题。这个实习不是走网申通道的,好像是部门直接招,面试官就是将来的leader。现场给了一套题让做做,内容和平时工作场景差不多,想了解的可以看看。(发现好多东西都能用Python一句解决啊,为什么要用EXCEL呢,于是就拒了。)
 
凑不出来字数了,今天天气不错,就当春游了。
 
酷家乐-机器学习(内推)
一面打来电话的并不是搞机器学习的,只问了一些基础的算法知识(就是需要刷题的那种),答得不好,一面被拒。
 
边锋-AI项目实习生(直招)
和浙大合作的一个项目,找人进去写python,打了两次电话问了下基本情况,后来又当面面试了下,问了python基础知识。可能是觉得我代码量不够,被刷。
 
京东-算法工程师
过了笔试,却没想到一面竟然是问基础算法,电面,30分钟。第一部分远程写代码,15分钟,快写完了发现不能覆盖所有样例;第二部分问知道哪些排序算法,让讲一下计数排序,又问了什么是稳定排序,于是————第N次跪在了稳定排序上。搞不懂为什么要问这个。最后我问他为什么没有机器学习方向的问题,他说二面会问。但。。。估计是没有二面了。
 
蘑菇街-算法工程师
内推直接面试,因为在杭州,所以就去公司现场面。手写了一个简单的str2int,问了很多机器学习方面的知识,随机森林,adaBoost,Xgboost,逻辑回归等等都问到了,答得还行,一面就挂还是有点意外。它们公司用Scala比较多,会Scala可能会有加分吧。
 
---------------------------------------------------------------------------
 
春招差不多结束了,0 offer。归根到底还是水平不足,最大的教训就是:那些所谓“面试/笔试”常考问题是真的会被问出来的,不能觉得那些没意思而不去准备。
 
继续刷PRML/LeetCode​

【公告】ImTech 平台网址变更通知

其他刘伙玉 发表了文章 • 0 个评论 • 64 次浏览 • 2017-02-27 17:05 • 来自相关话题

本着节约至上的精神,自2月27日起,该平台迁移至我院服务器上,网址变更为:http://im.nju.edu.cn/imtech。
同时,域名www.imtechcenter.com 也即将停止使用,如果要发表文章或者评论,请使用新网址,以免数据丢失。
麻烦大家重新保存书签,给大家带来不便,还请见谅!
  查看全部
本着节约至上的精神,自2月27日起,该平台迁移至我院服务器上,网址变更为:http://im.nju.edu.cn/imtech
同时,域名www.imtechcenter.com 也即将停止使用,如果要发表文章或者评论,请使用新网址,以免数据丢失。
麻烦大家重新保存书签,给大家带来不便,还请见谅!
 

PRML 笔记(不定期更新)

数据挖掘王开新 发表了文章 • 0 个评论 • 97 次浏览 • 2017-02-23 10:44 • 来自相关话题

基本上算是翻译了,有些部分加了点自己的理解,英文看烦了的可以来看看
贝叶斯与多项式拟合信息论基础决策论基础偏差方差分解支持向量机(Support Vector Machine) 概率论基础1——伯努利分布及其共轭先验 概率论基础2-多元高斯分布的边际分布和条件分布 概率论基础3-高斯分布及其共轭先验条件独立 查看全部

大家都是用什么下载计算机教材pdf的呢

其他王开新 回复了问题 • 4 人关注 • 4 个回复 • 258 次浏览 • 2017-02-04 09:54 • 来自相关话题

VC维与学习理论

数据挖掘王开新 发表了文章 • 0 个评论 • 76 次浏览 • 2017-01-26 21:22 • 来自相关话题

例行转载
http://keson96.github.io/2017/01/26/2017-01-26-VC-Dimensions-And-Learning-Theory/
 
祝大家新年快乐哈!
2017多多发帖!
例行转载
http://keson96.github.io/2017/01/26/2017-01-26-VC-Dimensions-And-Learning-Theory/
 
祝大家新年快乐哈!
2017多多发帖!

#专题分享会第二期#资料汇总

数据挖掘郜梦蕊 发表了文章 • 0 个评论 • 151 次浏览 • 2016-12-22 10:19 • 来自相关话题

         12月17日晚6:30,信管数据挖掘兴趣小组专题分享会第二期于信息管理学院316教室举办。此次分享会主要由四位同学进行分享。分享内容如下:






         首先由15级硕士王腾飞同学分享word2vec的内容。王腾飞先简单介绍了huffman编码、softmax回归等预备知识的内容,以方便大家更容易理解word2vec的内容。然后王腾飞介绍了词向量和统计语言模型的相关知识,其中统计语言模型中涉及到了模型参数的计算方法:n-gram模型、决策树、最大熵模型、最大熵马尔科夫模型、条件随机场和神经网络等算法。作为获得词向量的方法,LSA、LDA和神经概率语言模型都是常用的模型。接着她介绍了word2vec的两个主要模型:其一是基于Hierarchical Softmax框架的CBOW模型,这个模型包括输入层、投影层和输出层三个层次;其二是基于Hierarchical Softmax框架的Skip-gram模型。通过王腾飞同学的分享,大家对word2vec有了一个很好的认识和了解。
 










         接着,16级硕士史昱天以一个很有意思的“魔鬼的游戏”的故事引入了SVM(支持向量机)算法,很形象地指出了SVM算法是用来干什么的,并通过类比引入了SVM算法里面的数据、分类器、最优化、核函数和超平面等概念。史昱天同学分享了SVM算法的优点,即我们为什么选择SVM算法来解决很多问题。后面是SVM算法的重点:SVM算法是怎么实现的?史昱天同学介绍了假设函数、映射函数、分类函数等知识,并指出了理解SVM算法实现过程的有效方法是记住“最小距离最大化”,这也是是SVM的目的。他接下来介绍了SVM算法求解过程中必不可少的几何距离的概念,以及求解过程主要用到的拉格朗日乘子法。当然,其推导过程涉及到了很多公式,不过在史昱天同学的仔细讲解下,大家对其构造和推导过程有了一定了解。再深入一层次,SVM可以处理非线性可分的数据,可以通过将数据向量映射到高维空间来实现。






         后面,由15级硕士孟凡赛介绍一下LR(逻辑回归)和GBDT(迭代决策树)的主要思想。其中LR是逻辑回归,孟凡赛同学给出了理解其思想的主要方法。对于GBDT,其中GT是决策树,接着分别详细介绍了回归树分类模型和GBDT分类模型的例子。然后介绍了DT和GBDT的区别,即指出了二者在模型过拟合方面的相关内容;LR和GBDT在模型本身、数据需求和特征选择方面的差别,鉴于LR和GBDT的优缺点,将二者融合使用成为一种实用性很强的方法。






         最后,由15级硕士戚尔鹏分享最大熵模型的有关内容。首先,戚尔鹏同学先指出了机器学习中监督学习模型包括概率模型和非概率模型。最大熵模型属于概率模型,其中,“熵”的概念及其公式很重要。然后展示了最大熵模型的推导公式和最大熵原理——“选择熵最大的模型”,并展示了一个最大熵模型的例子。紧接着,又以统计建模形式的角度对最大熵模型进行了介绍,给大家展示了模型的经验分布、特征函数等内容,使得大家对最大熵模型的理解更进一个层次。












感谢四位同学的分享,感谢李新春同学认真细致的会议记录!本次分享会成功举办,会上大家进行了积极地讨论与交流,让我们一起共同学习,共同进步吧!

附上相关资料链接:
【word2vec】
http://121.196.217.92/?/article/45 
【SVM】
http://121.196.217.92/?/article/57 
【LR和GBDT的区别】
http://121.196.217.92/?/article/62 
【最大熵模型】
http://121.196.217.92/?/article/52 

                                                     查看全部
         12月17日晚6:30,信管数据挖掘兴趣小组专题分享会第二期于信息管理学院316教室举办。此次分享会主要由四位同学进行分享。分享内容如下:

目录.PNG


         首先由15级硕士王腾飞同学分享word2vec的内容。王腾飞先简单介绍了huffman编码、softmax回归等预备知识的内容,以方便大家更容易理解word2vec的内容。然后王腾飞介绍了词向量和统计语言模型的相关知识,其中统计语言模型中涉及到了模型参数的计算方法:n-gram模型、决策树、最大熵模型、最大熵马尔科夫模型、条件随机场和神经网络等算法。作为获得词向量的方法,LSA、LDA和神经概率语言模型都是常用的模型。接着她介绍了word2vec的两个主要模型:其一是基于Hierarchical Softmax框架的CBOW模型,这个模型包括输入层、投影层和输出层三个层次;其二是基于Hierarchical Softmax框架的Skip-gram模型。通过王腾飞同学的分享,大家对word2vec有了一个很好的认识和了解。
 
2.jpg


1.jpg


         接着,16级硕士史昱天以一个很有意思的“魔鬼的游戏”的故事引入了SVM(支持向量机)算法,很形象地指出了SVM算法是用来干什么的,并通过类比引入了SVM算法里面的数据、分类器、最优化、核函数和超平面等概念。史昱天同学分享了SVM算法的优点,即我们为什么选择SVM算法来解决很多问题。后面是SVM算法的重点:SVM算法是怎么实现的?史昱天同学介绍了假设函数、映射函数、分类函数等知识,并指出了理解SVM算法实现过程的有效方法是记住“最小距离最大化”,这也是是SVM的目的。他接下来介绍了SVM算法求解过程中必不可少的几何距离的概念,以及求解过程主要用到的拉格朗日乘子法。当然,其推导过程涉及到了很多公式,不过在史昱天同学的仔细讲解下,大家对其构造和推导过程有了一定了解。再深入一层次,SVM可以处理非线性可分的数据,可以通过将数据向量映射到高维空间来实现。

3.jpg


         后面,由15级硕士孟凡赛介绍一下LR(逻辑回归)和GBDT(迭代决策树)的主要思想。其中LR是逻辑回归,孟凡赛同学给出了理解其思想的主要方法。对于GBDT,其中GT是决策树,接着分别详细介绍了回归树分类模型和GBDT分类模型的例子。然后介绍了DT和GBDT的区别,即指出了二者在模型过拟合方面的相关内容;LR和GBDT在模型本身、数据需求和特征选择方面的差别,鉴于LR和GBDT的优缺点,将二者融合使用成为一种实用性很强的方法。

4.jpg


         最后,由15级硕士戚尔鹏分享最大熵模型的有关内容。首先,戚尔鹏同学先指出了机器学习中监督学习模型包括概率模型和非概率模型。最大熵模型属于概率模型,其中,“熵”的概念及其公式很重要。然后展示了最大熵模型的推导公式和最大熵原理——“选择熵最大的模型”,并展示了一个最大熵模型的例子。紧接着,又以统计建模形式的角度对最大熵模型进行了介绍,给大家展示了模型的经验分布、特征函数等内容,使得大家对最大熵模型的理解更进一个层次。

5.jpg


6.jpg



感谢四位同学的分享,感谢李新春同学认真细致的会议记录!本次分享会成功举办,会上大家进行了积极地讨论与交流,让我们一起共同学习,共同进步吧!

附上相关资料链接:
【word2vec】
http://121.196.217.92/?/article/45 
【SVM】
http://121.196.217.92/?/article/57 
【LR和GBDT的区别】
http://121.196.217.92/?/article/62 
【最大熵模型】
http://121.196.217.92/?/article/52 

                                                    

约束优化问题

数据挖掘王开新 发表了文章 • 0 个评论 • 80 次浏览 • 2016-12-20 22:52 • 来自相关话题

例行转载
约束优化与机器学习中不少算法都有关系
 
约束优化问题
 
 
例行转载
约束优化与机器学习中不少算法都有关系
 
约束优化问题
 
 

深度学习tensorflow入门-5

数据挖掘张帅 发表了文章 • 1 个评论 • 93 次浏览 • 2016-12-17 14:43 • 来自相关话题

线性模型,以及wide and deep learning 查看全部