计算社会科学讲习班 机器学习：理论与实践模块Day2

如果把机器学习归为两大类，那么主要的工作可以分为：分类和聚类。而分类任务基本上占整个机器学习或者是数据挖掘领域的70%。

image.png

1.逻辑回归
回归的本质就是找参数，使得函数的值和样本的值最接近。即logit模型属于参数估计，是个有监督学习。

2.判别分析
主流的判别分析算法有三大类：

• 费希尔(Fisher)判别
  • 主要讨论线性判别分析（LDA）、二次判别分析（QDA）
• 贝叶斯( Bayes )判别
  • 主要讨论朴素贝叶斯分类（Naïve Bayes Classification）
• 距离判别
  • 主要讨论k最近邻（KNN）、有权重的k最近邻（Weighted KNN）

这里主要说一说LDA和QDA。LDA和QDA均是有监督学习的降维技术，前者是线性边界，后者可以形成更加灵活的非线性边界。

3.K最近邻 KNN
KNN实际上是属于判别分析算法，单独摘出来是为了和LDA、QDA区分。相比较LDA和QDA的估参需求，KNN是非参分析，无监督的学习。它是很纯粹的数据驱动。

4.支持向量机 SVM
SVM是一种有监督学习，但相较于LDA、QDA考虑所有的数据，SVM认为只有一些“特殊点”对边界的选取起作用，而其他大部分数据对判别函数的构建没有帮助。我们称这些“特殊点”为支持向量。此外，SVM找到的边界（超平面）是唯一的。

5.决策树 DT
决策树是一种非参数估计方法，无监督学习。当研究的变量是定性变量时，所建立的决策树就称为分类树，当是定量变量时，就称为回归树。此外，由于决策树的简单性，使之成为一些更有用算法的基石。

6.随机森林 RF
顾名思义，森林就是很多树，其建立在决策树的基础上。严格来说，随机森林其实算是一种集成算法。它首先随机选取不同的特征和训练样本，生成大量的决策树，然后综合这些决策树的结果来进行最终的分类。

7.集成学习
集成学习，顾名思义，就是将多种学习方法集合在一起，以生成最终的学习结果。其由两个大的步骤组成的：首先，我们需要根据训练数据，训练一组不完全相同的分类器（基模型）；其次我们需要通过某种策略（集成策略），将这些训练好的分类器组合起来。而通过在这个两个步骤上采取不同的策略，可以将集成学习分为Bagging、Boosting和Stacking三个大类，其中常见的是Bagging、Boosting。

（1）Bagging
Bagging的思想是利用抽样生成不同的训练集，进而训练不同的模型，将这些模型的输出结果用投票或平均的方式得到最终的结果。

image.png

Bagging是通过降低模型的方差以提高模型的准确率的。随机森林是Bagging思想的代表。随机森林中，采用Bootstrap的方式生成多个数据集，基模型全部为决策树，并且，随机森林对于数据集中样本的特征也进行了重采样，每个基模型只会对样本的一部分特征进行训练，从而进一步提高了基模型的多样性。

（2）Boosting
Boosting是一种提升算法，其思想是，在算法迭代的过程中，每次迭代构建新的分类器，重点关注被之前分类器分类错误的样本，迭代进行，最终加权平均所有分类器的结果，提升分类精度。可以用背单词的经历来理解它，即在背单词的过程中，我们更关注的是没有记牢的部分。

image.png

Boosting通过找出自身分错的样本，并不断改正来提升模型精度的，即不断降低模型的偏差。AdaBoost是最具代表性的Boosting算法。

Bagging和Boosting区别

image.png

（3）Stacking
Bagging和Boosting都是在基模型的生成方面，利用基模型的多样性，互补有无，提升算法性能；与之不同，Stacking则从集成方法的角度对模型提升给出指导。不同于Bagging和Boosting在集成策略上使用的简单的加权平均策略，Stacking使用一个机器学习模型将不同基模型的结果集成起来，降低误差。

image.png

Stacking主要分为两个部分，第一部分是训练一组不同的基模型（称为L0模型），将这组基模型的分类结果作为新的训练集，训练一个模型（L1模型）给出最终的分类结果。

集成学习部分摘录自：简析集成学习（王帅）

有了这么多分类器可用，如何判断分类的好坏呢？

此时我们可以引入ROC曲线，利用其曲线下面积的大小定量衡量某模型的准确度。

参考资料：
1.常用分类器的效果对比
2.各种机器学习算法的应用场景分别是什么，比如朴素贝叶斯、决策树、K 近邻、SVM、逻辑回归最大熵模型
3.基于R语言的各类判别算法在住房租金预测的应用
4.简析集成学习
5.【干货】集成学习原理总结
6.数据挖掘 | 分类器性能度量 Classifier Measures