机器学习day2

组合特征

为了能够使得组合特征避免出现参数过多，过拟合等问题，因此，我们需要找到有效的方法帮助我们进行特征的组合。 以预测问题举例。 输出特征有年龄，性别，购买物品类别，用户类型 组合特征可以如下，满足下面的条件为1，不满足则为0，特征为4维向量。

1. 年龄

35且性别=女

1. 年龄

35且物品类型=护肤

1. 用户类型=付费且物品类别=食物
2. 用户类型=付费且年龄

40

那么对应样本的特征可以分别为（1,1,0,0）和（0,0,1,1）

文本表示模型

文本是一类非常重要的非结构化数据，那么怎么在机器学习中表示需要输入的文本。

词袋模型

词袋模型是非常简单的表示文本的模型。把每篇文章，拆分出一个个地词语，忽略词语的顺序。把一段文本，看成一个长的向量，每一维代表一个词，值由词决定。一般使用TF-IDF来计算权重

其中TF(t,d)表示单纯t在文档d中出现的频率，IDF(t)是逆文档频率，用来衡量单词t对表达语义所起的重要性。

简单解释：如果一个词语在非常多的文章里面出现，那么它可能是一个比较通用的词语。 直接将文章的词语分割并不是一个很好的办法。因此有N-gram法，把连续的几个词语作为一个单独的特征方法哦向量中。

主题模型

从文本库发现具有代表性的主题，计算出每篇文章的主题分布。

词嵌入与深度学习模型

词嵌入的核心思想就是，将每个词语映射到低维空间上的一个稠密向量。略

Word2Vec

w2v是谷歌2013年提出了，目前最常用的词嵌入模型之一。w2c实际上是一种浅层的神经网络模型，它有两种网络结构，分别是CBOW和Skip-gram。

CBOW和Skip-gram

CBOW根据上下文出现的词语，预测当前词生成的概率。Skip-gram是根据当前词预测上下文中各词出现的概率。 如图

其中，w(t)是我们当前关注的词，w(t-2),...,w(t+2)是上下的词语。这里设置前后滑动窗口大小为2。 输入时，每个单词由独热编码表示，每个词表示成一个N维向量。N是词语的总数，在向量中，每个词语与之对应的维度设为1，其他为0。 映射层包含K个隐含单元。 输出层的向量则根据隐含层向量，连接隐含层和输出层之间的K×N维权重矩阵计算得到。输出层使用Softmax激活函数，可以计算出每个单词的生成概率。Softmax函数 代表N维原始输入向量，是在原始输入向量中与单词对应维度的取值。