最近看了周志华老师的书，主要内容如下,涉及到很多机器学习的知识点:

by [2017.12.29 更新  denny  shenzhen 59888745@qq.com]

1.线性模型：

1. 线性回归；多元线性回归；广义线性回归；
2. 二分类问题，

3．在样本空间找一个超平面，将不同类别的样本分开；

2.决策树:CSL,ID3,C4.5算法

ID3中根据属性值分割数据，之后该特征不会再起作用，这种快速切割的方式会影响算法的准确率.

C4.5还弥补了ID3中不能处理特征属性值连续的问题

CART（Classification and Regression tree）分类回归树是一棵二叉树，采用二元切分法，每次把数据切成两份，分别进入左子树、右子树.

CART:回归任务的决策树.

GB、GBDT、xgboost 的关系

GB:Gradient boosting:机器学习中的学习算法的目标是为了优化或者说最小化loss Function,Gradient boosting的思想是迭代生多个（M个）弱的模型，然后将每个弱模型的预测结果相加

GBDT:Gradient boosting Decision Tree(GBDT),GB算法中最典型的基学习器是决策树，尤其是CART，正如名字的含义，GBDT是GB和DT的结合

xgboost :Xgboost是GB算法的高效实现，xgboost中的基学习器除了可以是CART（gbtree）也可以是线性分类器（gblinear）。

RF:随即森林

策略：分而治之，自根至叶的递归过程；在每一个中间结点寻找一个划分；

信息熵：

信息增益：求特增的信息增益，再用信息增益最大的特征来划分属性；

剪枝方法（训练样本时，有可能造成分支过多，主动去掉一些分支）：是决策树对付过拟合的主要手段

3. 神经网络：

神经元模型：

激活函数：sigmoid

多层网络：包含隐含的网络

BP算法：

BP算法：误差逆传播算法:是一个迭代学习算法，在迭代的每一轮中采用广义感知机；基于梯度下降策略；

标准BP算法，累积BP算法；

缓解过拟合的策略：

早停：若训练误差连续n轮的变化小于b，则停止训练；若训练误差降低，验证误差升高，则停止训练；

正则化：在误差目标函数中增加一项描述网络复杂度；

全局最小，局部最小：

神经网络的训练过程可以看作是一个参数寻优的过程；在参数空间中，寻找一组最优参数使得误差最小;

跳出局部最小的常见策略：

不同的初始参数；

随机扰动；

遗传算法；

其他常见神经网络：

RBF劲向基函数:分类任务中出bp之外最常用

ART:‘竞争学习’的代表

SOM自组织特征映射:最常用的聚类方法

etc

最常用的深度学习模型：卷积神经网络CNN

深度学习常用软件包:caffe,matconvnet,torch

3．支持向量机svm

对偶问题:拉格朗日函数

解的稀疏性：

核函数kernel function：的选择成为支持向量机性能的关键；

e不敏感损失函数；

4．贝叶斯分类器

贝叶斯定理

先验概力，后验概力

极大力拟然估算

EM算法:是估算隐变量的利器；

5．集成学习

通过构建并结合多个学习器来完成学习任务。

同质集成：集成中包含同类型学习器

异质集成：个体学习器由不同的学习算法生成

集成学习方法：

序列化方法：adaboost,gradientboost,lpboost

并行化方法：bagging

6.聚类：

将样本数据划分为多个族；

原型据类：kmeans

1．随机选取k个点作为族中心

2．将其他样本点根据与族中心的距离，划分给最近的族；

3．根新各族的均值向量，将其作为族中心；

4．若所有族中心没有发生变化，则停止，否则执行2

密度据类：dbscan

层次据类：agnes

-----------------------------

1.用递归的视角来看决策树，根据特征选择分支条件，不断的生成子树，所有的子数组成了最后的决策树。为了防止过拟合，限制模型的复杂度，通常都会通过剪枝（Pruning）来正则化决策树

例如下面根据回家时间、约会情况

2.熵是随机变量不确定性的度量，不确定性越大，熵值就越大.

3.正则化概述（Regularization）:理解为在最小化loss function 的同时，保证模型的复杂度尽可能的低，防止出现过拟合（overfitting）。 它一方面可用于控制模型的复杂度，提高模型的范化能力；另一方面还可以用于约束模型的特性，例如稀疏、平滑特性等

4.机器学习技法-AdaBoost元算法:通过组合多个弱分类器（hypothese），构建一个更强大的分类器（hypothese），从而达到“三个臭皮匠赛过诸葛亮”的效果

5.CART相比AdaBoost的效率会高一些，因为前者是“有条件的切”，后者是完全的“横、竖”。

6.随机森林（RF）:通过Bagging的方式将许多个CART组合在一起，不考虑计算代价，通常树越多越好.

7.熵是随机变量不确定性的度量，不确定性越大，熵值就越大。

机器学习性能评估指标

分类：         准确里accuracy，         精确里precison，         召回里recall         ROC         AUC

回归：          平均绝对误差MAE（Mean Absolute Error）又被称为 l 1  范数损失（l1-norm loss）,          平均平方误差 MSE（Mean Squared Error）又被称为 l 2  范数损失（l2-norm loss）.

ROC 曲线可以用于评价一个分类器好坏 在逻辑回归里面，我们会设一个阈值，大于这个值的为正类，小于这个值为负类。如果我们减小这个阀值，那么更多的样本会被识别为正类。这会提高正类的识别率，但同时也会使得更多的负类被错误识别为正类。为了形象化这一变化，在此引入 ROC TPR 代表能将正例分对的概率，FPR 代表将负例错分为正例的概率.

AUC:定义为ROC曲线下的面积

------------------------------------------------

	优点/场合	缺点
朴素贝叶斯	对小规模的数据表现很好，适合多分类任务，适合增量式训练	对输入数据的表达形式很敏感
决策树 是选择一个属性进行分枝	计算量简单，可解释性强，比较适合处理有缺失属性值的样本，能够处理不相关的特征	容易过拟合（后续出现了随机森林，减小了过拟合现象）；
logsitc回归 是用最大似然估计来学习的用于分类	分类时计算量非常小，速度很快，存储资源低	容易欠拟合，一般准确度不太高, 只能处理两分类问题
线性回归  用于回归	实现简单，计算简单	不能拟合非线性数据
KNN	可以用来做分类也可以用来做回归, 准确度高，对数据没有假设	计算量大, 需要大量的内存

参考大神 陈天奇的blog:http://homes.cs.washington.edu/~tqchen
http://homes.cs.washington.edu/~tqchen/pdf/BoostedTree.pdf

学习资料：

1. 特征工程技术和方法概括总结：http://blog.csdn.net/jasonding1354/article/details/47171115

2. 干货：结合Scikit-learn介绍几种常用的特征选择方法：http://dataunion.org/14072.html

3. 参考资料2的英文原版：http://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/

4. 机器学习之特征工程：http://www.csuldw.com/2015/10/24/2015-10-24%20feature%20engineering/

5. 特征提取与特征选择： http://lanbing510.info/2014/10/22/Feature-Extraction-Selection.html

6. PCA与LDA：http://www.cnblogs.com/LeftNotEasy/archive/2011/01/08/lda-and-pca-machine-learning.html

7。http://www.cnblogs.com/wxquare/p/5484636.html ml 学习笔记

8。https://class.coursera.org/ntumltwo-002/lecture