第一章：统计学习及监督学习概论

目录

• 统计学习
  • 基本分类
  • 按模型分类
  • 按算法分类
  • 按技巧分类
• 三要素
  • 模型
  • 策略
  • 算法
• 生成模型和判别模型
  • 生成方法
  • 判别方法
• 应用
• 习题

统计学习

• 对象:data
• 目的:预测和分析
• 方法
  • 监督，无监督，强化学习

基本分类

1. 监督学习
   • 从标注数据中学习预测模型
   • 建设\((X,Y)\)遵循联合概率分布\(P(X,Y)\), 样本独立同分布
   • 假设空间：输入空间到输出空间映射的集合
2. 无监督
   • \(X\)是输入空间，\(Z\)是隐式结构空间，学习\(z=g(x)\)或者\(P(z|x)\)
3. 强化学习
4. 半监督
   • 少量标记数据，大量无标记数据
5. 主动学习
   • 给实例让教师标注

按模型分类

1. 概率模型和非概率模型
   • 监督学习
     • 概率模型(生成模型)：\(P(y|x)\)
     • 非概率模型(判别模型): \(y=g(x)\)
   • 无监督学习
   • 概率模型: \(P(z|x),P(x|z)\)
   • 非概率模型: \(z= g(x)\)

   概率模型可以表示为联合概率分布的形式

2. 线性模型和非线性模型
3. 参数化模型和非参数化模型
   • 参数化模型: 模型参数维度固定
   • 非参数化模型:参数随数据量增大而不断增加

按算法分类

1. 在线学习
2. 批量学习

按技巧分类

1. 贝叶斯学习，利用贝叶斯定理

   \[P(\theta|D) = \frac{P(\theta)P(D|\theta)}{P(D)}\]

   \(P(\theta|D)\)后验概率，\(P(\theta)\)先验概率,\(P(D|\theta)\)似然函数

   如果要给一个模型，给后验概率最大的模型(MAP)

   预测时\(P(x|D) = \int P(x|\theta,D)P(\theta|D)d\theta\)

2. 核方法

三要素

方法＝模型＋策略＋算法

模型

• 假设空间:决策函数集合

  \(F=\{f|Y=f(X)\}\)

  \(F=\{f|Y=f_\theta(X),\theta\in R^n\}\)，参数\(\theta\)所在的空间叫参数空间

• 假设空间:条件概率集合

  \(F=\{P|P(Y|X)\}\)

  \(F = \{P_\theta|P_\theta(Y|X),\theta\in R^n\}\)

策略

引入损失函数，风险函数度量模型好坏

• 0-1损失：\(\begin{equation} L(Y,f(x))=\left\{ \begin{aligned} 1 & , & Y\neq f(x) \\ 0 & , & Y =f(x) \end{aligned} \right. \end{equation}\)
• 平方损失函数:\(L(Y,f(X))= (Y-f(X)^2\)
• 绝对损失函数: \(L(Y,f(X)) = |Y-f(X)|\)
• 对数损失函数:\(L(Y,P(Y|X))=-log P(Y|X)\)

风险损失，期望损失：

\(\begin{align*}R_{exp}(f) = &E_P[L(Y,f(x))] \\=&\int_{X\times Y} L(y,f(x))p(x,y)dxdy\end{align*}\)

由于不知道联合概率分布,只能使用经验风险，或者经验损失:

\(R_{emp}(f) = \frac{1}{N}\sum_{i=1}^{N}L(y_i,f(x_i))\)

由于样本数量有限，大数定律不起作用

• 经验分布最小化学习

  \(\underset{f\in F}{min} \frac{1}{N}\sum_{i=1}^{N}L(y_i,f(x_i))\)

• 结构风险最小化学习

  \(R_{stm}(f) = \frac{1}{N}\sum_{i=1}^{N}L(y_i,f(x_i))+\lambda J(f)\)

  \(J(f)\)是泛函，衡量模型复杂度

算法

求解最优化问题

生成模型和判别模型

监督学习方法可以分为生成方法或者判别方法，所学到的模型分别为生成模型或者判别模型

生成方法

由数据学习联合分布\(P(X,Y)\),然后求条件概率\(P(Y|X)＝\frac{P(X,Y)}{P(X)}\)

典型:朴素贝叶斯，隐马尔科夫模型

判别方法

直接学习决策函数\(f(X)\)，或者条件概率分布\(P(Y|X)\)

应用

• TP:把真的预测成真的
• FN:把真的预测成假的
• TN:把假的预测成假的
• FP:把假的预测成真的

precision:\(P = \frac{TP}{TP+FP}\)

recall:\(R = \frac{TP}{TP+FN}\)

F1:\(\frac{2}{F_1} = \frac{1}{P}+\frac{1}{R}\)

习题

1. 伯努利模型n次实验结果，k次结果为1,
   • 极大似然估计

     \(f(X,\theta) = \theta^k(1-\theta)^{n-k}\)

     \(\begin{align*}\underset{\theta}{argmax}f(X,\theta) =& \underset{\theta}{argmax}log(f(X,\theta)) \\=&\underset{\theta}{argmax}(klog\theta +(n-k)log(1-\theta)) \end{align*}\)

     \(g(\theta) = klog\theta +(n-k)log(1-\theta)\)

     \(g'(\theta) = (1-\theta)k-(n-k)(1-\theta)\)

     \(g'(\theta)=0\)的解为\(\theta=\frac{k}{n}\)

   • 贝叶斯估计

原文地址：https://www.cnblogs.com/Lzqayx/p/12151009.html