公众号：尤而小屋
作者：Peter
编辑：Peter
本文主要是介绍机器学习的一些基本内容，包含：
机器学习4个分支
监督学习supervised learning
最常见的机器学习类型。给定一组样本（通常是人工标准），它可以学会将数据映射到已知目标（也叫标注）。监督学习广泛应用到光学字符识别、语音识别、图像分类和语言翻译。
监督学习除了回归和分类，还有其他变体：
无监督学习
无监督学习是指在没有目标的情况下寻找输入数据的有趣变换，目的是在于数据可视化、数据压缩、数据去噪或者更好地理解数据中的相关性。
主要是降维和聚类
自监督学习是监督学习的特例。自监督学习可以看做是没有人工标注的标签的监督学习。
标签是仍然存在的，但是他们是从输入数据中生成的，通常是使用启发式算法生成的。
一个常见的例子就是：自编码器autoencoder，其目标就是未经修改的输入。
给定视频中过去的帧来预测下一帧，或者给定文本中前面的词语来预测下一个词语，都是属于自监督学习的例子（这两个例子是时序监督学习的例子）
强化学习
强化学习是因为谷歌的DeepMind公司将其成功应用于学习完Atari游戏（还有围棋阿尔法狗）中，才开始被广泛关注。
在强化学习中，智能体agent接收有关其环境的信息，并学会选择使其某种奖励最大化的行动。
分类和回归术语
总结一下回归和分类中常出现的术语：
- 目标：真实值。对于外部数据源，理想状态下，模型能够预测出真实值
- 类别：分类问题中供选择的一组标签。比如对猫狗图像进行分类时，猫和狗就是标签
- 标签：分类问题中类别标注的具体例子。比如1234号图像被标注为包含类别狗，那么“狗”就是1234号图像的标签
- 二分类：一种分类任务，每个输入样本应该被划分到两个互斥的类别中
- 多分类：一种分类任务，每个输入样本应该被划分到多个不同的类别中，比如手写数字分类
- 多标签分类：一种分类任务，每个输入样本都可以分配多个标签。比如一幅图像中既有猫又有狗，那么应该同时标注猫标签和狗标签。每幅图像的标签个数通常是可变的。
- 向量回归：目标是一组连续值（比如一个连续变量）的任务。如果对多个值进行回归，就是向量回归
-
小批量或批量：模型同时处理的一小部分样本，通常是8-128.样本数通常是2的幂，方便CPU上的内存分配。训练时，小批量用来为模型权重计算一次梯度下降更新。
评估机器学习的模型
机器学习的目的是得到可以泛化的模型：在前所未见的数据集上也能够表现的很好，而过拟合则是核心难点。
3大数据集
评估模型的重点是将数据划分为：训练集、验证集和测试集
模型一定不能读取与测试集任何相关的信息，即使是间接读取也不行。3大经典评估方法：
3大评估方法
简单的留出验证（hold-out validation）
留出一定的比例的数据作为测试集，在剩余的数据集上训练数据，然后在测试集上评估模型。
为了防止信息泄露，我们不能基于测试集来调节模型，必须保留一个验证集。
# 代码实现
num_validation_samples = 10000
# 打乱数据
np.random.shuffle(data)
validation_data = data[:num_validation_samples] # 验证集
data = data[num_validation_samples:]
train_data = data # 训练集
model = get_model()
model.train(train_data) # 训练集训练模型
validation_score = model.evaluate(validation_data) # 验证集上评估模型
# 调节模型、重新训练、评估，然后再次调节，最后在测试集上评估
model = get_model()
# 将训练集和验证合并起来进行重新训练
model.train(np.concatenate([train_data,validation_data]))
# 测试集上进行评估
test_score = model.evaluate(test_data)
一个缺点：如果可用的数据很少，可能验证集和测试集包含的样本很少，从而无法从统计学上代表数据。
因此就有了K折验证和重复的K折验证来解决这个问题。
K折验证
使用K折交叉验证的基本原理：
- 实例化K个模型，将模型在K-1个分区上训练，剩下的一个区上进行评估
如何K折交叉验证：以3折交叉验证为例
img# 代码实现
k = 4
num_validation_samples = len(data) // k
# 随机打乱数据
np.random.shuffle(data)
validation_scores = []
for fold in range(k):
# 验证集
validation_data = data[fold * num_validation_samples: (fold + 1) * num_validation_samples]
# 训练集
train_data = data[: fold * num_validation_samples] + data[(fold + 1) * num_validation_samples:]
model = get_model()
model.train(train_data)
validation_score = model.evaluate(validation_data) # 每个验证集上的得分
validation_scores.append(validation_score) # 放到列表中
validation_score = np.average(validation_scores) # K折验证的均值
model = get_model()
model.train(data) # data = train_data + validation_data 所有非测试集上进行训练
test_score = model.evaluate(test_data) # 测试集上进行评估
带有打乱数据的K折验证
如果数据很少，又想精确地评估模型，可以使用打乱数据的K折交叉验证：iterated K-fold validation with shuffling。
具体做法：在每次将数据划分为k个分区之前，先将数据打乱，最终分数是每个K折验证分数的均值
注意：这个做法一共要训练和评估P*K个模型，P是重复次数，计算代价很大。
评估模型的注意事项
- 时间箭头：如果想根据过去预测未来，即针对所谓的时间序列的数据，则不应该随机打乱数据，这样会造成时间泄露
数据预处理、特征工程和特征学习
预处理
预处理的主要步骤：
向量化
神经网络的所有输入和输出都必须是浮点张量。都必须转成张量，这一步叫做向量化data vectorization
值标准化
数据输入网络前，对每个特征分别做标准化，使其均值为0，标准差为1。
输入神经网络的数据应该具有以下特征：
- 同质性(homogenous)：所有特征的取值范围都在大致相同的范围内
Numpy实现的标准化过程：
X -= X.mean(axis=0) # 假定X是个二维矩阵
X -= X.std(axis=0)
缺失值处理
在神经网络中，一般将缺失值用0填充。
特征工程
根据已有的知识对数据进行编码的转换，以改善模型的效果。
特征工程的本质：用更简单的方式表述问题，从而使得问题变得更容易。
现在大部分的深度学习是不需要特征工程的，因为神经网络能够从原始数据中自动提取有用的特征。
解决过拟合
什么是过拟合和欠拟合
机器学习的根本问题是优化和泛化的对立。
优化：调节模型以在训练集上得到最佳性能；泛化：训练好的模型在未知数据上的性能好坏。
- 过拟合overfit：模型在训练集上表现良好，但是在测试集上表现不好。过拟合存在所有的机器学习问题中。
- 欠拟合underfit：训练数据上的损失越小，测试数据上的数据损失也越小。
过拟合和欠拟合的产生
1、欠拟合问题，根本的原因是特征维度过少，导致拟合的函数无法满足训练集，误差较大。
解决方法：欠拟合问题可以通过增加特征维度来解决。
2、过拟合问题，根本的原因则是特征维度过多，导致拟合的函数完美的经过训练集，但是对新数据的预测结果则较差。解决过拟合问题，则有2个途径：
- 减少特征维度；可以人工选择保留的特征，或者模型选择算法
-
正则化；保留所有的特征，通过降低参数θ的值，来影响模型
3招解决过拟合
减小网络大小
防止过拟合最简单的方案：减小模型大小，即减少模型中学习参数的个数（层数和每层的单元个数决定）。
容量：在深度学习中，模型中可学习参数的个数称之为容量。
使用的模型必须具有足够多的参数，以防止过拟合，即模型应该避免记忆资源不足。
# 电影评论分类的原网络
import tensorflow as tf # add
import keras as models
import keras as layers
model = models.Sequential()
model.add(tf.keras.Dense(16, activation="relu",input_shape=(10000, )))
model.add(tf.keras.Dense(16, activation="relu"))
model.add(tf.keras.Dense(1, activation="sigmoid"))
用一个更小的网络来替代：
model = models.Sequential()
model.add(tf.keras.Dense(4, activation="relu",input_shape=(10000, )))
model.add(tf.keras.Dense(4, activation="relu"))
model.add(tf.keras.Dense(1, activation="sigmoid"))
img我们发现：更小的网络开始过拟合的时间要晚于之前的网络；而且小网络的性能变差的速度也更慢。
换成更大的模型：
model = models.Sequential()
model.add(tf.keras.Dense(512, activation="relu",input_shape=(10000, )))
model.add(tf.keras.Dense(512, activation="relu"))
model.add(tf.keras.Dense(1, activation="sigmoid"))
img网络的容量越大，拟合训练数据的速度也越快，更容易过拟合。
添加权重正则化（最佳）
奥卡姆剃刀(Occams razor) 原理：如果一件事有两种解释，那么最可能正确的就是最简单的那个，即假设更少的那个。
权重正则化：强制让模型权重只能取较小的值，从而限制模型的复杂度，使得权重的分布更加规则regular。其实现方法：向网络损失函数中添加与较大权重值相关的成本。
具体两种方式：
神经网络中的L2正则化也叫做权重衰减weight decay。
Keras中添加权重正则化的方法是向层传递：权重正则化实例 作为关键字参数，以添加L2权重正则化为例：
from keras import regularizers
model = models.Sequential()
model.add(tf.keras.layers.Dense(16,kernel_regularizer=regularizers.l2(0.001),
activation="relu",
input_shape=(10000,)))
model.add(tf.keras.layers.Dense(16,kernel_regularizer=regularizers.l2(0.001),
activation="relu"))
model.add(tf.keras.layers.Dense(1,activation="sigmoid"))
l2(0.001)的意思是该层权重矩阵的每个系数都会使网络总损失增加0.001*weight_coeffient_value
由于这个惩罚项只在训练时添加，所以网络的训练损失会比测试损失大的多
添加L2正则项前后对比：
img其他权重正则化的添加方式：
from keras import regularizers
regularizers.l1(0.001) # l1正则化
regularizers.l1_l2(l1=0.001, l2=0.001) # 同时添加
添加dropout正则化
dropout是神经网络中最有效也是最常用的正则化方式之一，做法：在训练过程中随机将该层的一些输入特征舍弃（设置为0）
dropout的比例就是被设置为0的特征所占的比例，通常在0.2-0.5之间。添加dropout的具体过程：
model.add(tf.keras.layers.Dropout(0.5))
要应用在前面一层的输出
model = models.Sequential()
model.add(tf.keras.layers.Dense(16,activation="relu",input_shape=(10000,)))
model.add(tf.keras.layers.Dropout(0.5)) # 添加
model.add(tf.keras.layers.Dense(16,activation="relu"))
model.add(tf.keras.layers.Dropout(0.5)) # 添加
model.add(tf.keras.layers.Dense(1,activation="sigmoid"))
总结
防止神经网络过拟合的方法：
机器学习的通用工作流程
- 平衡分类问题：精度和接受者操作特征曲线下面积-ROC/AUC
img
机器学习中无处不在的对立是优化和泛化的对立，理想的模型是刚好在欠拟合和过拟合的边界上，在容量不足和容量过大的边界上。
为了弄清楚我们需要多大的模型，就必须开发一个过拟合的模型：
在训练的过程中始终监控训练损失和验证损失，以及我们关心的指标。
-
- 机器学习交流qq群955171419，加入微信群请扫码：
