机器学习基础知识详解！

Datawhale

发布于 2021-10-13 15:14:49

9200

发布于 2021-10-13 15:14:49

文章被收录于专栏：Datawhale专栏 Datawhale专栏Datawhale专栏

⽼板给了你⼀个关于癌症检测的数据集，你构建了⼆分类器然后计算了准确率为 98%，你是否对这个模型满意？为什么？如果还不算理想，接下来该怎么做？

首先模型主要是找出患有癌症的患者，模型关注的实际是坏样本。其次一般来说癌症的数据集中坏样本比较少，正负样本不平衡。

准确率指的是分类正确的样本占总样本个数的比率

\text { Accuracy }=\frac{n_{\text {correct }}}{n_{\text {total }}}

其中为正确分类样本的个数，为总样本分类的个数。

当好样本(未患病)的样本数占99%时，模型把所有的样本全部预测为好样本也可以获得99%的准确率，所以当正负样本非常不平衡时，准确率往往会偏向占比大的类别，因此这个模型使用准确率作为模型的评估方式并不合适。

鉴于模型关注的实际是坏样本，建议使用召回率(Recall)作为模型的评估函数。

Recall 是分类器所预测正确的正样本占所有正样本的比例，取值范围为[0,1]，取值越大，模型预测能力越好。

R=\frac{TP}{TP+FN}

其次，使用类别不平衡的解决方案：

常见的处理数据不平衡的方法有：重采样、Tomek links、SMOTE、NearMiss等

除此之外：还可以使用模型处理：使用多种树模型算法，使用多种重采样的训练集，对少数样本预测错误增大惩罚，避免使用Accuracy，可以用confusion matrix，precision，recall，f1-score，AUC，ROC等指标。

怎么判断⼀个训练好的模型是否过拟合？如果判断成了过拟合，那通过什么办法可以解决过拟合问题？

模型在验证集合上和训练集合上表现都很好，而在测试集合上变现很差。

解决过拟合的办法：

特征降维
添加正则化，降低模型的复杂度
Dropout
Early stopping
交叉验证
决策树剪枝
选择合适的网络结构

对于线性回归，我们可以使⽤ Closed-Form Solution, 因为可以直接把导数设置为 0，并求出参数。在这个 Closed-Form ⾥涉及到了求逆矩阵的过程，什么时候不能求出其逆矩阵？这时候如何处理？

什么是闭式解(Closed-Form Solution)？

解析解(Analytical solution) 就是根据严格的公式推导，给出任意的自变量就可以求出其因变量，也就是问题的解，然后可以利用这些公式计算相应的问题。所谓的解析解是一种包含分式、三角函数、指数、对数甚至无限级数等基本函数的解的形式。用来求得解析解的方法称为解析法(Analytical techniques)，解析法即是常见的微积分技巧，例如分离变量法等。解析解是一个封闭形式(Closed-form) 的函数，因此对任一自变量，我们皆可将其带入解析函数求得正确的因变量。因此，解析解也被称为封闭解(Closed-form solution)。

数值解(Numerical solution) 是采用某种计算方法，如有限元法，数值逼近法，插值法等得到的解。别人只能利用数值计算的结果，而不能随意给出自变量并求出计算值。当无法藉由微积分技巧求得解析解时，这时便只能利用数值分析的方式来求得其数值解了。在数值分析的过程中，首先会将原方程加以简化，以利于后来的数值分析。例如，会先将微分符号改为差分（微分的离散形式）符号等，然后再用传统的代数方法将原方程改写成另一种方便求解的形式。这时的求解步骤就是将一自变量带入，求得因变量的近似解，因此利用此方法所求得的因变量为一个个离散的数值，不像解析解为一连续的分布，而且因为经过上述简化的操作，其正确性也不如解析法可靠。

简而言之，解析解就是给出解的具体函数形式，从解的表达式中就可以算出任何对应值；数值解就是用数值方法求出近似解，给出一系列对应的自变量和解。

参考：https://blog.csdn.net/weicao1990/article/details/90742414

什么时候不能求出其逆矩阵？

满秩矩阵或者方阵才有逆矩阵，当一个矩阵不满秩，在对角线上存在为0的特征值，求逆的时候无法计算从而不可逆，那我们给它加上一个单位矩阵，这样它就不为0了，

求解的时候加上单位矩阵其实就是对线性回归引入正则化的过程

参考：https://zhuanlan.zhihu.com/p/44612139

关于正则，我们⼀般采⽤ L2 或者 L1, 这两个正则之间有什么区别？什么时候需要⽤ L2，什么时候需要⽤ L1?

L1正则化（也叫Lasso回归）是在目标函数中加上与系数的绝对值相关的项，而L2正则化（也叫岭回归）则是在目标函数中加上与系数的平方相关的项。

Lasso 和岭回归系数估计是由椭圆和约束函数域的第一个交点给出的。因为岭回归的约束函数域没有尖角，所以这个交点一般不会产生在一个坐标轴上，也就是说岭回归的系数估计全都是非零的。然而，Lasso 约束函数域在每个轴上都有尖角，因此椭圆经常和约束函数域相交。发生这种情况时，其中一个系数就会等于 0。

L2正则化会使参数的绝对值变小，增强模型的稳定性（不会因为数据变化而产生很大的震荡）；而L1正则化会使一些参数为零,可以实现特征稀疏, 增强模型解释性。

参考：https://blog.csdn.net/zouxy09/article/details/24971995/

正则项是否是凸函数？请给出证明过程。

相关概念：凸集，凸函数

因此证明正则项是否是凸函数，需要证明：

1. 在上二阶连续可微

2.的Hessian(海塞)矩阵在上是半正定

3.半正定矩阵的判定定理之一：若实对称矩阵的所有顺序主子式均为非负，则该矩阵为半正定矩阵。

参考：https://www.bilibili.com/video/BV1Mh411e7VU?p=2

什么叫 ElasticNet? 它主要⽤来解决什么问题？具体如何去优化？

弹性回归是岭回归和lasso回归的混合技术，它同时使用 L2 和 L1 正则化。当有多个相关的特征时，弹性网络是有用的。lasso回归很可能随机选择其中一个，而弹性回归很可能都会选择。

\hat{\beta}=\underset{\beta}{\operatorname{argmin}}\left(\|y-X \beta\|^{2}+\lambda_{2}\|\beta\|^{2}+\lambda_{1}\|\beta\|_{1}\right)

在高度相关变量的情况下，它支持群体效应。
它对所选变量的数目没有限制
它具有两个收缩因子 λ1 和 λ2。

参考：https://www.zhihu.com/search?type=content&q=ElasticNet

什么叫⽣成模型，什么叫判别模型？朴素⻉贝叶斯，逻辑回归，HMM，语⾔模型中哪⼀个是⽣成模型，哪⼀个是判别模型？

生成模型（Generaive Model）一般以概率的方式描述了数据的产生方式，通过对模型采样就可以产生数据。

判别模型（Discriminative Model）对数据之间的映射关系建模，而不考虑数据本身是如何生成的。判别模型可以根据给定的数据x预测对应的y（回归），或根据不同的映射结果y来区分（discriminate）给定的数据x （分类）。但模型自身并不能产生数据x 。

生成模型对数据本身建模，更基础。判别模型只考虑输入和输出之间的关系，更直接地面向问题。如果希望用生成模型完成判定模型的任务，一般需要额外的步骤。

_	优点	缺点	代表算法
生成式模型	1. 由于统计了数据的分布情况，所以其实际带的信息要比判别模型丰富，对于研究单类问题来说也比判别模型灵活性强；2. 模型可以通过增量学习得到（增量学习是指一个学习系统能不断地从新样本中学习新的知识，并能保存大部分以前已经学习到的知识。）；3. 收敛速度更快，当样本容量增加的时，生成模型可以更快的收敛于真实模型；4. 隐变量存在时，也可以使用。	1. 学习和计算过程比较复杂，由于学习了更多的样本信息，所以计算量大，如果我们只是做分类，就浪费了这部分的计算量；2. 准确率较差；3. 往往需要对特征进行假设，比如朴素贝叶斯中需要假设特征间独立同分布，所以如果所选特征不满足这个条件，将极大影响生成式模型的性能。	朴素贝叶斯、贝叶斯网络、隐马尔可夫模型、隐马尔可夫模型
判别式模型	1. 由于关注的是数据的边界，所以能清晰的分辨出多类或某一类与其他类之间的差异，所以准确率相对较高；2. 计算量较小，需要的样本数量也较小；	1. 不能反映训练数据本身的特性；2. 收敛速度较慢	k 近邻法、决策树、逻辑斯谛回归模型、最大熵模型、支持向量机、条件随机场