10分钟梳理机器学习基础知识（一）——在意的小问题

导语：每天10分钟，用去食堂吃饭的时间解决一个知识点。

缘起

笔者目前的岗位与机器学习无关，在学校时修过人工智能的选修课，其实浮于表面，没学到什么技能。在学校的时候一直挺喜欢下棋的（曾经的李世石脑残粉一枚），去年AlphaGo火了一把，因此对机器学习产生了兴趣。看了几本书（“xx入门”，“白话xx与xx”），各种公众号也经常推文章，但术语虽然是熟悉了，还是觉得好像隔着一层。后来修了三门MOOC（板书小王子吴恩达的《Machine Learning》，台大萌娃林轩田的《机器学习基石》与《机器学习技法》），才有种补上了点基础的感觉。

这个系列只是梳理下机器学习用到的部分基础知识，以及自己的管窥之见。有哪里说的不对的话，希望各位猛烈地怼我。

第一篇先列一些贯穿始终的点。

不适定

首先要提的是，机器学习的问题是不适定的。适定性问题要满足下面三个条件：

解是存在的

解是唯一的

解连续地取决于初值条件

我们用机器学习处理的问题，样本只是所有数据的一小部分，解不唯一，所以是一个ill-posed problem。

过拟合

我们用代价函数来衡量假设对训练集的拟合程度。如果我们有非常多的feature，通过学习得到的hypothesis可能完美适应训练集，甚至代价函数为0，但是进行预测时效果就不好了。这就是overfitting，过拟合。与之相对应的就是underfitting，欠拟合。

一般来说，我们的应对思路有两种：

减少feature

可以手动选择保留的特征，也可以使用一些降维的算法，如PCA，可通过发现相关度（协方差）高的特征，转换到低维空间。

正则化

不减少feature，但是给代价函数加一个衡量参数magnitude的项，即regularization parameter，这样可以达到“惩罚”一些特征的效果。

神经网络容易过拟合。像线性模型的参数少，不容易过拟合，这也是它的主要优点。所以满足性能的条件下，模型越简单越好，这是奥卡姆剃刀告诉我们的道理。

凸性

我们在机器学习里经常要考察函数的凸性。这是因为凸函数只有一个极值，即“谷底”。如果我们的代价函数是一个凸函数，那么我们就可以通过梯度下降，逐渐逼近全局最优解，一点一点滑落到谷底。

画个示意图，比如在基于最小二乘法的回归算法中：

[image.jpg]