走进AI(二) | 机器如何学习？
2024-01-04 16:11:40 0 举报AI智能生成
机器如何学习？
作者其他创作
大纲/内容
学习算法
解构算法：y、X、f(X,p)、loss、g(p)
算法演进：统计类算法 -> 深度学习算法
统计类算法：轻模型，重特征
经典机器学习方法
线性模型扩展-Lasso：保留了传统线性模型，但限制了参数大小，从而达到限制特征数量的目的。
树模型：梯度增强决策树>随机森林>决策树
决策树：按照分组规则(特征和阈值)将数据集分组，分组目标：组内差异小，组间差异大。 - 简单高效的非线性学习器
随机森林：同一个数据集重复采样获取多个样本，并行训练多个(过拟合的)模型，取平均结果降低方差。- 并行的种大树
梯度增强决策树(GBDT)：大量弱模型，串行地缓慢地修正(学习速度一般越小越好)，彼此叠加为最终模型。 - 串行的种很多小树
神经网络：在线性模型基础上增加隐藏层(节点中包含非线性的激活函数)，从而引入非线性。
深度学习：重模型，轻特征
PyTorch 深度学习框架
算法开发
机器学习框架
面对挑战
可预测性：数据噪音越大越不可学习；数据量越小越不可学习
过拟合：在拟合过程中掺入了过多的数据噪声
规律
模型复杂度：越复杂，越容易过拟合；
数据量：越小，越容易过拟合；
3种过拟合的情况
增加特征 - 变量选择正则化解决
增加模型结构复杂度 - 随机森林、梯度增强决策树等模型解决
增加模型数量 - 交叉验证解决
联系现实：迷信、赌场、成功秘诀...
时间稳定性：是否随时间变化
数据范围&颗粒度划分：个性 vs 共性，目前尝试通过“预训练+微调”的架构来解决
特征时效性：往后看和往前看的区别
总结
数据是算法效果的上限
深度学习自动感知梯度，进而帮助寻求问题最优解。梯度就是没做好的地方
0 条评论
下一页
