机器学习的动机与应用
1,机器学习的定义
1959:“Field of study that gives computers the ability to learn without being explicitly programmed.”
1998:“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. ”
2,监督学习supervised learning
监督学习是指:利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程,也称为监督训练或有教师学习。
监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中,每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据,并产生一个推断的功能,其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形成。
1 regression problem 回归问题
这一类问题的变量是连续变量(continuous value)定量输出
回归分析的主要内容有以下:
①从一组数据出发,确定某些变量之间的定量关系式;即建立数学模型并估计未知参数。通常用最小二乘法。
②检验这些关系式的可信任程度。
③在多个自变量影响一个因变量的关系中,判断自变量的影响是否显著,并将影响显著的选入模型中,剔除不显著的变量。通常用逐步回归、向前回归和向后回归等方法。
④利用所求的关系式对某一过程进行预测或控制。
2 分类问题classification problem
这一类问题的变量是离散变量(discreet value)定性输出
对于任何一个(含有有限个类别的)分类问题,都可以看成是若干个二分类问题的组合。因此,我们可以不失一般性地假设我们讨论的分类问题是一个二分类问题,并记所有实例的类别为0或者1。
3,无监督学习unsupervised learning
现实生活中常常会有这样的问题:
(1)缺乏足够的先验知识,因此难以人工标注类别;
(2)进行人工类别标注的成本太高。
很自然地,我们希望计算机能代我们(部分)完成这些工作,或至少提供一些帮助。常见的应用背景包括:
(1)一从庞大的样本集合中选出一些具有代表性的加以标注用于分类器的训练。
(2)先将所有样本自动分为不同的类别,再由人类对这些类别进行标注。
(3)在无类别信息情况下,寻找好的特征。
【1】聚类 clustering algorithms
【2】鸡尾酒聚会问题
ICA algorithm[W,s,v]=svd((repmat(sum(x.*x,1),size(x,1).*x)*x');
4,强化学习reinforcement learning
强化学习是智能体(Agent)以“试错”的方式进行学习,通过与环境进行交互获得的奖赏指导行为,目标是使智能体获得最大的奖赏,强化学习不同于连接主义学习中的监督学习,主要表现在强化信号上,强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号),而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少,RLS必须靠自身的经历进行学习。通过这种方式,RLS在行动-评价的环境中获得知识,改进行动方案以适应环境。