统计学习方法 一到四章笔记
第一章 概论
1.2 分类
基本的分类
分成监督学习、无监督学习、强化学习、半监督学习和主动学习。其具体定义略。
按模型分类
概率模型和非概率模型
- 在监督学习中：
- 概率模型是生成模型，非概率模型是判断模型
- 概率模型的分布是P(y|x)，非概率模型是y=f(x)
- 在无监督学习中：
- 概率模型的分布是P(z|x)或者P(x|z)，非概率模型是z=g(x)
做一些常见算法的分类： 非概率模型：感知机、支持向量机、k近邻、adaboost、k-means、潜在语义分析、神经网络 概率模型：决策树、朴素贝叶斯、隐马尔科夫模型、条件随机场、概率潜在语义分析、潜在迪利克雷分配、高斯混合模型 而logistic回归两类都属于。
线性模型和非线性模型
也就是拟合的函数是不是线性的。 比如，线性模型：感知机、线性支持向量机、k近邻、k-means、潜在语义分析 非线性模型：核函数支持向量机、adaboost、神经网络
参数化模型和非参数化模型
参数化模型指模型参数的维度固定，非参数化模型会随着训练数据量扩大而参数维度升高。 参数化模型：感知机、朴素贝叶斯、logistic回归、k-means、高斯混合模型 非参数化模型：决策树、支持向量机、adaboost、k近邻、潜在语义分析、概率潜在语义分析、潜在迪利克雷分配
按算法分类
在线学习：每次接受一个样本，之后学习模型 批量学习：直接把所有样本都学习完
此外，还有贝叶斯学习、核方法的分类。
1.6 泛化能力
在学到了模型之后，对未知数据预测的误差就是所谓的泛化误差，即 这里可以找到泛化误差上界，来分析学习方法的泛化能力。课本中有一个简单的二项分布例题。
1.8 监督学习应用
二分类中的指标有准确率和召回率。即总共有四种分类情况，TP, TN, FP, FN，分别指正类预测为正类，正类预测为负类，负类预测为正类，负类预测为负类的数目。 准确率P = TP / (TP + FP) 召回率R = TP / (TP + FN) f1 score满足：2 / f1 = 1 / P + 1 / R，也就是P和R的调和平均，翻转得
第二章 感知机
2.1 感知机模型
感知机是SVM和nn的基础。 感知机：给定输入空间，输出空间，输入，输出，感知机定义为，其中.
感知机的假设空间是特征空间里面的所有线性分类模型，也就是.
感知机的直观解释：
2.2 感知机学习策略
在上面定义了问题之后，对于所有的数据，定义其线性可分性： 如果存在某个超平面可以把正例和负例点完全正确划分到两侧，也就是，对正类点，希望有，那么我们预测的，反之同理，那么T就是线性可分的。
但是感知机的学习是对和的学习。为此，写出样本点到感知机的直线距离： 对于分类错误的样本，有：，分类讨论即得。 有了这个，而且y只有1和-1的取值，那么直线距离的式子可以脱去绝对值号，也就是这条式子是为了脱去绝对值号而提出来的。 对于所有的误分类点集合，所有误分类点到超平面的距离之和为： 因此在这里，为了更好地定义损失函数，感知机学习的损失函数就是这里把去掉，即： 在这里，误分类点离超平面越近，loss越小。
但是为什么要这么定义，把去掉？注意到，损失函数最好应该是一个连续可导函数，这也是为什么上面那个直线距离想方设法去掉绝对值号的做法，同时，损失函数也并不会粗暴地定义成错误点的个数，这样太难优化了。
2.3 感知机学习算法
在知道了感知机的目的之后，自然需要知道怎么降loss。 也就是求得这个问题的解： 方法是用随机梯度下降（SGD）：
这个算法的例子见课本40页。注意到，最后收敛的结果会随着和的选取不同而不同。 有一个漂亮的理论（novikoff定理）给出了在训练数据集上误分类次数的上界（课本42页），也就是在线性可分的时候，感知机总能收敛。
感知机学习算法有其对偶形式，可以加快运算。方法是把和表示成和的线性组合。观察算法2.1，如果在第i个样本上更新了次，初始化为零，最后学习到的表示为： 其中，当时，这个值表示更新的次数。更新的次数越多，说明这第i个样本离超平面越近，越难分类。 有了这个，可以定义对偶形式：
注意这里(2)(3)的i是同一个i，也就是选了第几个样本就是要对的第几个分量做优化。 可以看出，可以先计算出的各个值加速运算。例子见课本45页。
第三章 k近邻法
3.1 k近邻算法
这里只讨论用来分类的k近邻算法。
3.2 k近邻模型
这里的k近邻模型使用的距离可以是距离，也就是： 这里p=2时是欧氏距离，而p=∞的时候，有，也就是这么多维特征里面挑最远的。 至于提出这样的距离，自然是因为在使用不同的p值下，“最近”的这个结果是不同的，p是一个超参数。
k是一个非常关键的超参数。
- k值比较小的时候，学习的域就很小，近似误差（approximation error）变小，然而估计误差（estimation error）会变大，因为减少了看的点的个数，会对周围的点变得敏感，带来过拟合风险。k值变小使整体模型复杂；
- k值比较大的时候，减少了估计误差，增大了近似误差，这个时候和输入很远的样本也考虑进来了，k值增大使模型简单。
k近邻还有定义一个误分类的概率，在0-1损失下，多数表决策略的误分类率：（这有点反直觉）
3.3 k近邻法的实现：kd树
然而逐个点去算k近邻是很不好的，这叫做线性扫描。 可以采用特殊的数据结构，减少计算距离的次数，kd树是一种方法。
kd树是对k维空间中的点存储来快速检索的数据结构，是一种二叉树。 构造kd树中，kd树是平衡的时候搜索效率未必最优，但是是一个不错的策略。方法为：
这个区域划分的kd树中每一个结点的位置上都有数据。 课本的例子： 给定，可以得到
注意，最后一层的叶节点是一整片区域，其实再在上面画线没有什么用处。 构建好kd树之后，可以用kd树做k近邻搜索。
搜索方法的例题如下：
第四章 朴素贝叶斯法
4.1 朴素贝叶斯法的学习与分类
4.1节主要是介绍为什么朴素贝叶斯是这么算的，具体算法见4.2节。朴素贝叶斯的直观性肯定是不如第二第三章的，所以这里花了一些篇幅来说明“为什么”这件事情为了让你看不懂。
朴素贝叶斯法也是一个用来分类的方法。其余设置都和普通的分类方法一样，然后强调X,Y的联合分布，训练数据集由独立同分布产生。
问题是，怎么学到。那么根据贝叶斯公式，学到先验概率分布： 以及条件概率分布： 就可以有。
朴素贝叶斯里面做了一个比较强的假设，就是各个特征之间相互独立，叫做条件独立性的假设（这个假设让朴素贝叶斯法更简单，但是有时会牺牲准确度），也就是：
在有了这些东西之后，怎么用朴素贝叶斯分类器做分类？ 依贝叶斯定理（其实用全概率公式推一下也知道）： 独立性
那么对上式取argmax就是分类的预测结果，即： 分母是常数，去掉即可
下面是正确性的证明，不看证明的话可以跳过到4.2节。 为什么这里这么算，把实例分配到后验概率最大的类里就是对的？ 这里可以证明这样等价于期望风险最小化。期望风险越小，可以认为模型越好。然而课本这里的证明过于简略，难以读懂，下面证明会给出一些解释： 考虑损失函数为0-1损失函数，也就是：
这个时候的期望风险函数为 转换为条件概率
由于 ，那么最小化就相当于最小化括号里的东西。但是我们能控制的东西只有，也就是要找到这样的，使得取得最小（注意不能直接提出来说让这个东西最小就可以了，这是不对的）。这一个过程可以用argmin刻画（因为要证明的东西也就是argmax的形式，转换一下应该就能证出来了），也就是： 这里括号里的指的是 这就是我们在朴素贝叶斯里面做的事情。
4.2 朴素贝叶斯法的参数估计
极大似然估计
这里的参数估计其实只有指导意义，实际上就直接把频率当概率就可以了。 课本给出了的极大似然估计： 也就是直接的频率，也就是，用I写出来比较唬人。 设x的第j个特征的可能取值为 还有条件概率的极大似然估计为： 通俗地讲，这就是第个特征且对应的类别的这些样本
那么朴素贝叶斯算法就是：
例题：
贝叶斯估计
贝叶斯估计是为了解决概率值=0时候出现的问题。修改一下，变成这样： 这个加上λ的技巧，取=0就是极大似然估计，取=1叫做拉普拉斯平滑，一般使用拉普拉斯平滑。 同样，先验概率也变成了：