關于機器學習，你了解多少呢？

上篇文章里，主要分享了關于機器學習、深度學習的基本概念和他們之間的區別，最后介紹了有監督學習方式中的回歸。其實我在最后留下一點小問題，那就是如果數據不是線性關系的話，怎么回歸？這篇文章就會回答這個問題，主要分享監督學習和非監督學習中的三大類：

1. 監督學習方式下，回歸中的“非線性回歸”
2. 監督學習方式下的“分類”
3. 非監督學習方式的“聚類”
4. 關于機器學習的復盤

1.非線性回歸

直逼主題，上篇我們假定的數據都是線性的，那么最后當然可以回歸出y=wx+b這樣的線性方程，可我們最終是想通過機器學習解決現實問題，而現實中的很多數據不可能單單是線性關系，如果強行使用，那么算法模型只能是欠擬合，誤差非常大。

這里我們就著重說一下，回歸中的非線性回歸，而其中應用最多的就是“邏輯回歸”。

先上公式：

看到這個公式先別慌，其中你們注意（wx+b）是我們上篇已經熟悉的線性回歸方程，把它想象成一個整體，帶入到這個新公式中，代表著什么呢？下面我們看這個公式的函數圖

可以看到，在x可以?。?無窮小，+無窮大）的區間里，整個y值是的區間只能是【0，1】之間。具體的數學函數轉換如果搞不明白完全沒關系，只需要回憶一下上一篇中“線性回歸”的思想，通過找到損失函數Loss最小的對應wx+b中對應的w與b的值。而這個邏輯回歸函數的作用，在僅僅是把x多映射一次，即讓輸出的y值恒定落在【0，1】這個區間而已，其回歸思想的本質并沒有改變。

那么為什么要加入這個函數呢？其實是方便做概率判斷：

因為這個函數會讓x無論輸入的是什么，最終輸出的y肯定是0-1之間的值，那么越接近1，我們可以認為越接近“1”代表的特征，越接近0，我們認為越接近“0”代表的特征。而“0”與“1”具體要賦予什么意義，就看我們到底想通過機器學習去識別什么了。

2.監督學習–“分類”

先感性談談“分類”這個概念。就是我們希望有一臺機器，可以幫助我們進行圖像的分類識別。比如我這里有一堆混雜著“魚”、“狗”和“貓”的圖片，光靠人力完成是非常困難的，我想通把這些大量的數據輸入給計算機，它很快就能完成而不需要耗費我很長時間去一個一個挑選。但我們知道計算機天生不具備這樣的功能，就可以通過機器學習中的“分類”去完成。有了前面“回歸”機器學習的思想基礎，這個應該很好理解了。

即我會找到大量的“魚”“貓”和“狗”的圖片，每種都對應好標簽比如“1”“2”“3”。這時候我們拿這些數據去訓練分類器。分類器的訓練過程和線性回歸基本很相似：

• 建立映射關系的假說即 ?y=wx+b
• 找到全局損失函數Loss與我們想要求解的w與b的映射關系方程
• 找到Loss符合誤差范圍的w與b （訓練過程結束）
• 拿著訓練好的模型去用驗證集驗證

3.非監督學習–“聚類”

前面我們介紹的線性回歸、非線性回歸和分類，都屬于“監督學習方式”，要在訓練數據之前進行標記，這樣的數據模型才可以被訓練。但數據量很大的時候，人工標注起來是非常困難的。

先回憶一下非監督學習的定義：?獲得訓練的向量數據后沒有標簽的情況下，嘗試找出其內部蘊含的一種關系的挖掘工作。而聚類，在感性的認知就是把特征形態相同或相近的聚合到一個概念類別下，把特征形態不同的分開。

聚類核心思想：通過對數據進行特征抽象和提取，轉換為空間中的向量，通過計算每個“向量”的距離，從遠近的角度去判定是否從屬一個類別。其本質就是把現實世界中的特征，轉化為數學的空間向量，這樣我們就把現實的特征問題，轉化成了一個可能通過數學方式解決的“向量計算問題”。當然在具體計算的時候還涉及到“特征提取及轉換”的步驟（這也是深度學習的重要內容）

舉個例子我這里有幾個概念，“卡車”、“汽車”、“飛機”和“人”，他們每個都可以用空間中的向量去表示，那么“卡車”與“汽車”的距離就應該是最近的，其次是“飛機”，因為他們都屬于“交通工具”這個大類，“汽車”與“人”代表的向量應該是空間中距離最遠的，這樣就是實現了現實世界概念特征的聚類。

4.機器學習的復盤

到這里已經把機器學習中最重要的概念和原理大體講了一遍。其實發現并沒有特別難的樣子，主要在于理解機器學習的思想與基本原理。

其實機器學習（深度學習）都是手段，我們的目的是讓計算機可以對現實物理世界比如圖像、聲音、視頻等進行分類、識別甚至一定程度的理解和反饋?？捎嬎銠C并不能像人類一樣可以進行抽象思考，而機器學習的本質，就是把這些物理世界的特征進行數學化，轉換成計算機可以聽懂的語言，這樣它就可以對這些“數學化的物理特征”進行計算了，只不過在我們看來，它好像是通過像人一樣學習和思考似的。

對于如何判定機器學習的結果，其本質也是轉換成數學中的誤差問題進行求解，找到符合我們要求的誤差，即認為機器學習完成。

最后我們記住一個公式： y=wx+b，看似簡單的公式，后面在神經網絡和深度學習中會經常用到，而且無論是學習方式的轉換，還是神經網絡結構的變換，其最終目的，簡單理解的話都可以認為是建立損失函數Loss與w和b的一個映射關系，找到Loss符合我們要求的對應的w和b。（當然怎么找，這就非常復雜了，我也在學習中）

機器學習的部分就分享到這里，下一篇會更新有關“神經元和神經網絡”的知識，這是了解深度學習的基石。

相關閱讀

AI產品之路（一）：機器學習

本文由 @?Free 原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自PEXELS，基于CC0協議