0.前言
本篇是一个基础机器学习入门篇文章，帮助我们熟悉机器学习中的神经网络结构与使用。
日常中习惯于使用Python各种成熟的机器学习工具包，例如sklearn、TensorFlow等等，来快速搭建各种各样的机器学习模型来解决各种业务问题。
本文将从零开始，仅仅利用基础的numpy库，使用Python实现一个最简单的神经网络(或者说是简易的LR，因为LR就是一个单层的神经网络)，解决一个点击率预估的问题。
1.假设一个业务场景
声明：为了简单起见，下面的一切设定从简….
定义需要解决的问题：
老板：小李，这台机器上有一批微博的点击日志数据，你拿去分析一下，然后搞点击率预测啥的…
是的，就是预测一篇微博是否会被用户点击(被点击的概率)…..预测未来，貌似很神奇的样子！
简单的介绍一下加深的业务数据
每一条微博数据有由三部分构成：{微博id, 微博特征X, 微博点击标志Y}
微博特征X有三个维度：
X={x0="该微博有娱乐明星”，x1="该微博有图”，x2="该微博有表情”}
微博是否被点击过的标志Y：
Y={y0=“点击”, y1=“未点击”}
数据有了，接下来需要设计一个模型，把数据输入进去进行训练之后，在预测阶段，只需要输入{微博id,微博特征X}，模型就会输出每一个微博id会被点击的概率。
2.任务分析：
这是一个有监督的机器学习任务
对于有监督的机器学习任务，可以简单的分为分类与回归问题，这里我们简单的想实现预测一条微博是否会被用户点击，预测目标是一个二值类别：点击，或者不点击，显然可以当做一个分类问题。
所以，我们需要搭建一个分类模型（点击率预测模型），这也就决定我们需要构建一个有监督学习的训练数据集。
模型的选择
选择最简单神经网络模型，人工神经网络有几种不同类型的神经网络，比如前馈神经网络、卷积神经网络及递归神经网络等。本文将以简单的前馈或感知神经网络为例，这种类型的人工神经网络是直接从前到后传递数据的，简称前向传播过程。
3.数据准备：
整体的流程：
数据预处理(数值化编码)——>特征筛选——>选择模型(前馈神经网络)——>训练模型——>模型预测
假设，对4条微博的数据进行数值化编码，可以表示为如下的矩阵格式：
解读一条样本数据：
第一条样本数据为：X0=[0 0 1]，分别对应着三维的特征，最后4x1的矩阵是Y，0表示无，1表示有，可知该特征对应的Y0是未点击。
所以，这条样本可以翻译为：[该微博没娱乐明星，没有图片，有表情]，最终y=0，代表该条微博没有被点击。
业务以及数据特征是不是很简单….简单有点看起来编的不太合理-！
4.神经网络基本结构：
1.输入层：输入的业务特征数据
2.隐藏层：初始化权重参数
3.激活函数：选择激活函数
4.输出层：预测的目标，定义损失函数
我们即将使用的机器学习模型：
机器学习模型类似一个黑盒子，输入历史点击的数据，进行训练，然后就可以对未来的额数据进行预测….我们上面设计的是一个超级简单的前馈神经网络，但是可以实现我们上面的目的。
关于激活函数：
通过引入激活函数，实现了非线性变换，增强了模型的拟合效果。
关乎激活函数，请看之前的文章吾爱NLP(2)--解析深度学习中的激活函数
在本文教程中，使用的是简单的Sigmoid激活函数，但注意一点，在深层神经网络模型中， sigmoid激活函数一般不作为首选，原因是其易发生梯度弥散现象。
sigmoid公式
此函数可以将任何值映射到0到1之间，并能帮助我们规范化输入的加权和。
对sigmoid激活函数求偏导：
该偏导函数吗，等下写程序会用到，所以先放在这里！
模型的训练
训练阶段，模型的输入X已经确定，输出层的Y确定，机器学习模型确定，唯一需要求解的就是模型中的权重W，这就是训练阶段的目标。
主要由三个核心的流程构成：
前向计算—>计算损失函数—>反向传播
本文使用的模型是最简单的前馈神经网络，起始就是一个LR而已….所以整个过程这里就不继续介绍了，因为之前已经写过一篇关于LR的文章---逻辑回归（LR）个人学习总结篇，如果对其中的细节以及公式的推导有疑问，可以去LR文章里面去寻找答案。
这里再提一下权重参数W更新的公式：
至此，所有的写代码需要的细节都已经交代结束了，剩下的就是代码了。
5.使用Python代码构建网络
# coding:utf-8
import numpy as np
class NeuralNetwork():
# 随机初始化权重
def __init__(self):
np.random.seed(1)
self.synaptic_weights = 2 * np.random.random((3, 1)) - 1
# 定义激活函数：这里使用sigmoid
def sigmoid(self, x):
return 1 / (1 + np.exp(-x))
#计算Sigmoid函数的偏导数
def sigmoid_derivative(self, x):
return x * (1 - x)
# 训练模型
def train(self, training_inputs, training_outputs,learn_rate, training_iterations):
# 迭代训练
for iteration in range(training_iterations):
#前向计算
output = self.think(training_inputs)
# 计算误差
error = training_outputs - output
# 反向传播-BP-微调权重
adjustments = np.dot(training_inputs.T, error * self.sigmoid_derivative(output))
self.synaptic_weights += learn_rate*adjustments
def think(self, inputs):
# 输入通过网络得到输出
# 转化为浮点型数据类型
inputs = inputs.astype(float)
output = self.sigmoid(np.dot(inputs, self.synaptic_weights))
return output
if __name__ == "__main__":
# 初始化前馈神经网络类
neural_network = NeuralNetwork()
print "随机初始化的权重矩阵W"
print neural_network.synaptic_weights
# 模拟训练数据X
train_data=[[0,0,1], [1,1,1], [1,0,1], [0,1,1]]
training_inputs = np.array(train_data)
# 模拟训练数据Y
training_outputs = np.array([[0,1,1,0]]).T
# 定义模型的参数：
# 参数学习率
learn_rate=0.1
# 模型迭代的次数
epoch=150000
neural_network.train(training_inputs, training_outputs, learn_rate, epoch)
print "迭代计算之后权重矩阵W: "
print neural_network.synaptic_weights
# 模拟需要预测的数据X
pre_data=[0,0,1]
# 使用训练的模型预测该微博被点击的概率
print "该微博被点击的概率："
print neural_network.think(np.array(pre_data))
"""
终端输出的结果：
随机初始化的权重矩阵W
[[-0.16595599]
[ 0.44064899]
[-0.99977125]]
迭代计算之后权重矩阵W:
[[12.41691302]
[-0.20410552]
[-6.00463275]]
该微博被点击的概率：
[0.00246122]
[Finished in 20.2s]
"""
6.总结：
根据终端输出的模型训练以及预测的结果，针对预测数据pre_data=[0,0,1]，模型输出该微博被点击的概率为0.00246，很显然被点击的概率比较小，可以认为简单认为该微博不会被点击！
是的，我们的业务目标初步实现了----输入任意一条微博的样本数据到我们的机器学习模型中，既可以输出该样本被点击的概率。
上面的就是我们设计的一个超级简单的模型，假设了一个超级简单的业务场景，并随机设定了超简单的训练数据，如果有 编 的不合理地方多多包涵！！！该例子虽然可能并不能帮你解决实际的业务问题，但是对于机器学习的新手理解神经网络，或许会有一点点帮助吧！
