本文轉載自公眾號“讀芯術”(ID：AI_Discovery)

很多面試官都喜歡問這個問題：“假設我是個5歲的小孩兒，請向我解釋[某項技術]。”給幼兒園的小朋友講清楚機器學習可能有點夸張，實際上這一問題的要求就是，盡可能簡單地解釋某一技術。

[[324730]]

這就是筆者在本文中嘗試做到的事。筆者將解釋什么是機器學習以及不同類型的機器學習，再介紹常見的模型。本文里，筆者不會介紹任何數學運算，小白請放心食用。

對于沒有或幾乎沒有數據科學背景的成年人來說，它應該是容易弄懂的(如果不能，請在評論區告訴我)。

機器學習的定義

機器學習圖

機器學習是指將大量數據加載到計算機程序中并選擇一種模型“擬合”數據，使得計算機(在無需你幫助的情況下)得出預測。計算機創建模型的方式是通過算法進行的，算法既包括簡單的方程式(如直線方程式)，又包括非常復雜的邏輯/數學系統，使計算機得出最佳預測。

機器學習恰如其名，一旦選擇要使用的模型并對其進行調整(也就是通過調整來改進模型)，機器就會使用該模型來學習數據中的模式。然后，輸入新的條件(觀測值)，它就能預測結果!

有監督機器學習的定義

監督學習是一種機器學習，其中放入模型中的數據被“標記”。簡單來說，標記也就意味著觀察結果(也就是數據行)是已知的。

例如，如果你的模型正嘗試預測你的朋友是否會去打高爾夫球，那么可能會有溫度、星期幾等變量。如果你的數據被標記，那么當你的朋友真的去打高爾夫了，你也會有一個值為1的變量，當他們沒有去打高爾夫，變量的值則為0。

無監督機器學習的定義

在標記數據時，無監督學習與有監督學習恰好相反。在無監督學習的情況下，你不知道朋友是否會去打高爾夫球——這都由計算機通過模型找到模式來猜測已經發生了什么或預測將會發生什么。

有監督機器學習模型

1. 邏輯回歸

在遇到分類問題時，可使用邏輯回歸。這意味著目標變量(也就是需要預測的變量)由不同類別組成。這些類別可以是“是/否”，也可以是代表客戶滿意度的1到10之間的數字。

邏輯回歸模型用方程式創建包含數據的曲線，然后用該曲線預測新觀測的結果。

邏輯回歸圖

上圖中，新觀測值的預測值為0，因為它位于曲線的左側。如果查看此曲線上的數據，就能解釋清楚了，因為圖中“預測值為0”的區域里，大多數數據點的y值都為0。

2. 線性回歸

線性回歸是人們通常知道的最早的機器學習模型之一。這是因為僅使用一個x變量時，它的算法(即幕后方程式)相對容易理解——畫出一條最適合的直線，這是小學階段教授的內容。然后，這條最佳擬合線可以預測出新的數據點(參見下圖)。

線性回歸圖

線性回歸與邏輯回歸類似，但是當目標變量連續時，才能使用線性回歸，這意味著線性回歸可以用任何數值。實際上，任何具有連續目標變量的模型都可以歸類為“回歸”。連續變量的一個例子是房屋的售價。

線性回歸也很容易解釋。模型方程式包含每個變量的系數，并且這些系數指示目標變量隨著自變量(x變量)中的每個變化而變化的量。

以房價為例，這意味著你可以查看回歸方程式，并可能這樣說道：“哦，這告訴我，房屋面積(x變量)每增加1平方英尺，售價(目標變量)就增加25美元。”

3. K近鄰算法(KNN)

該模型可用于分類或回歸!“K近鄰算法”這個名字并不會造成混淆。該模型首先要繪制出所有數據。其中，“ K”部分是指模型為了確定預測值應使用的最鄰近數據點的數量(如下圖)。你可以選擇K，然后可以使用這些值來查看哪個值提供最佳預測。

K近鄰算法圖

K = __圈中的所有數據點都可以對這個新數據點的目標變量值進行“投票”。得票最多的那個值是KNN為新數據點預測的值。

上圖中，最近的點中有2個是1類，而1個是2類。因此，模型將為此數據點預測為1類。如果模型試圖預測數值而非類別，則所有“投票”都是取平均值的數值，從而獲得預測值。

4. 支持向量機

支持向量機在數據點之間建立邊界來運行，其中一類中的大多數落在邊界的一側(在2D情況下又稱為線)，而另一類中的大多數落在另一側。

支持向量機圖

其工作方式是機器力求找出具有最大邊距的邊界。邊距是指每個類的最近點與邊界之間的距離。然后繪制新的數據點，并根據它們落在邊界的哪一側將其分類。

筆者對此模型的解釋是根據分類情況來的，不過你也可以用SVM進行回歸。

5. 決策樹和隨機森林

[[324733]]

圖源：unsplash

無監督機器學習模型

接著到了“深水區”，我們來看看無監督學習。提醒一下，這意味著數據集未標記，因此不知道觀察結果。

1. k均值聚類

在用K表示聚類時，必須首先假設數據集中有K個聚類。由于不知道數據中實際上有多少個組，因此必須嘗試不同的K值，并使用可視化和度量標準來查看哪個K值行得通。K表示最適合圓形和相似大小的聚類。

k均值聚類算法首先選擇最佳的K個數據點，以形成K個聚類中每個聚類的中心。然后，它對每個點重復以下兩個步驟：

• 將數據點分配到最近的聚類中心
• 通過獲取此聚類中所有數據點的平均值來創建一個新中心

K均值聚類圖

2. DBSCAN聚類

DBSCAN聚類模型與K均值聚類的不同之處在于，它不需要輸入K的值，并且它還可以找到任何形狀的聚類。你無需指定聚類數，而是輸入聚類中所需的最小數據點數，并在數據點周圍半徑之內搜索聚類。

DBSCAN將為您找到聚類，然后，你可以更改用于創建模型的值，直到獲得對數據集有意義的聚類為止。

此外，DBSCAN模型會分類“噪聲”點(即，遠離所有其他觀測值的點)。數據點非?？拷鼤r，此模型比K均值的效果更好。

3. 神經網絡

在筆者看來，神經網絡是最酷、最神秘的模型。它們之所以被稱為“神經網絡”，是因為它們是根據我們大腦中神經元的工作方式進行建模的。這些模型在數據集中尋找模式;有時它們會發現人類可能永遠無法識別的模式。

神經網絡可以很好地處理圖像和音頻等復雜數據。從面部識別到文本分類，這些都是我們現在經常看到的軟件背后的邏輯原理。

[[324735]]

圖源：unsplash

有時你可能會有困惑的地方，即使專家也無法完全理解為什么計算機得出這個結論。在某些情況下，我們在乎的只是它擅長預測!

不過有時我們會關心計算機如何得出其預測結果的，比如是否正在用模型來確定哪些求職者會獲得第一輪面試的機會。

希望本文能讓你加深對這些模型的理解，還能使你意識到它們是多么酷炫!