機器學習基礎總結

一，機器學習系統分類

機器學習系統分為三個類別，如下圖所示:

二，如何處理資料中的缺失值

可以分為以下 2 種情況：

• 缺失值較多：直接捨棄該列特徵，否則可能會帶來較大噪聲，從而對結果造成不良影響。
• 缺失值較少：當缺失值較少（< 10%）時，可以考慮對缺失值進行填充，有幾下幾種填充策略：
  • 用一個異常值填充（比如 0 ），缺失值作為一個特徵處理：data.fillna(0)
  • 用均值|條件均值填充：data.fillna(data.mean())
  • 用相鄰資料填充：data.fillna(method='pad')，data.fillna(method='bfill')
  • 插值：data.interpolate()
  • 擬合：簡單來說，就是將缺失值也作為一個預測問題來處理：將資料分為正常資料和缺失資料，對有值的資料採用隨機森林等方法擬合，然後對有缺失值的資料進行預測，用預測的值來填充

三，資料淨化與特徵處理

機器學習中的資料淨化與特徵處理綜述
美團的這篇綜述文章總結得不錯，雖然缺少範例不容易直觀理解，但是初學者來說也足夠了。

3.1，清洗標註資料

清洗標註資料的方法，主要是是資料取樣和樣本過濾。

• 資料取樣：對於分類問題：選取正例，負例。對於迴歸問題，需要採集資料。對於取樣得到的文字，根據需要設定樣本權重，當模型不能使用全部的資料來訓練時，需要對資料進行取樣，設定一定的取樣率。取樣的方法包括隨機取樣，固定比例取樣等方法。
• 樣本過濾：1.結合業務情況進行資料的過濾，例如去除crawler抓取，spam，作弊等資料。 - 2.異常點檢測，採用異常點檢測演演算法對樣本進行分析，常用的異常點檢測演演算法包括 - 偏差檢測，例如聚類，最近鄰等。

3.2，特徵分類

根據不同的分類方法，可以將特徵分為：

• Low level 特徵和 High level 特徵
• 穩定特徵與動態特徵。
• 二值特徵、連續特徵、列舉特徵

Low level 特徵是較低階別的特徵，主要是原始特徵，不需要或者需要很少的人工處理和干預，例如文字中的詞向量特徵，影象特徵中的畫素點大小，使用者 id，商品 id等。High level 特徵是經過比較複雜的處理，結合部分業務邏輯或者規則、模型得到的特徵，例如人工打分，模型打分等特徵，可以用於較複雜的非線性模型。Low level 比較針對性，覆蓋面小。長尾樣本的預測值主要受 high level 特徵影響。 高頻樣本的預測值主要受 low level 特徵影響。

穩定特徵 是變化頻率較少的特徵，例如評價平均分，團購單價價格等，在較長時間段內數值都不會發生變化。動態特徵是更新變化比較頻繁的特徵，有些甚至是實時計算得到的特徵，例如距離特徵，2 小時銷量等特徵。或者叫做實時特徵和非實時特徵。針對兩類特徵的不同可以針對性地設計特徵儲存和更新方式，例如對於穩定特徵，可以建入索引，較長時間更新一次，如果做快取的話，快取的時間可以較長。對於動態特徵，需要實時計算或者準實時地更新資料，如果做快取的話，快取過期時間需要設定的較短。

二值特徵主要是 0/1 特徵，即特徵只取兩種值：0 或者 1，例如使用者 id 特徵：目前的 id 是否是某個特定的 id，詞向量特徵：某個特定的詞是否在文章中出現等等。連續值特徵是取值為有理數的特徵，特徵取值個數不定，例如距離特徵，特徵取值為是0~正無窮。列舉值特徵主要是特徵有固定個數個可能值，例如今天周幾，只有7個可能值：周1，周2，…，週日。在實際的使用中，我們可能對不同型別的特徵進行轉換，例如將列舉特徵或者連續特徵處理為二值特徵。列舉特徵處理為二值特徵技巧：將列舉特徵對映為多個特徵，每個特徵對應一個特定列舉值，例如今天周幾，可以把它轉換成7個二元特徵：今天是否是週一，今天是否是週二，…，今天是否是週日。連續值處理為二值特徵方法：先將連續值離散化（後面會介紹如何離散化)，再將離散化後的特徵切分為N個二元特徵，每個特徵代表是否在這個區間內。

3.3，特徵處理與分析

對特徵進行分類後，需要對特徵進行處理，常用的特徵處理方法如下：

• 特徵歸一化，離散化，預設值處理
• 特徵降維方法
• 特徵選擇方法

特徵歸一化。在有些演演算法中，例如線性模型或者距離相關的模型（聚類模型、knn 模型等），特徵值的取值範圍會對最終的結果產生較大影響，例如輸入資料有兩種不同的特徵，其中的二元特徵取值範圍 [0, 1]，而距離特徵取值可能是 [0，正無窮]，兩種特徵取值範圍不一致，導致模型可能會偏向於取值範圍較大額特徵，為了平衡取值範圍不一致的特徵，需要對特徵進行歸一化處理，將特徵值取值歸一化到 [0,1] 區間，常用的歸一化方法包括：

1. 函數歸一化，通過對映函數將特徵取值對映到［0，1］區間，例如最大最小值歸一化方法，是一種線性的對映。還有通過非線性函數的對映，例如 log 函數等。
2. 分維度歸一化，可以使用最大最小歸一化方法，但是最大最小值選取的是所屬類別的最大最小值，即使用的是區域性最大最小值，不是全域性的最大最小值。
3. 排序歸一化，不管原來的特徵取值是什麼樣的，將特徵按大小排序，根據特徵所對應的序給予一個新的值。

離散化。在上面介紹過連續值的取值空間可能是無窮的，為了便於表示和在模型中處理，需要對連續值特徵進行離散化處理。常用的離散化方法包括等值劃分和等量劃分。

1. 等值劃分，是將特徵按照值域進行均分，每一段內的取值等同處理。例如某個特徵的取值範圍為 [0，10]，我們可以將其劃分為10段，[0，1)，[1，2)，…，[9，10)。
2. 等量劃分，是根據樣本總數進行均分，每段等量個樣本劃分為 1 段。例如距離特徵，取值範圍［0，3000000］，現在需要切分成 10 段，如果按照等比例劃分的話，會發現絕大部分樣本都在第 1 段中。使用等量劃分就會避免這種問題，最終可能的切分是[0，100)，[100，300)，[300，500)，..，[10000，3000000]，前面的區間劃分比較密，後面的比較稀疏。

預設值處理。有些特徵可能因為無法取樣或者沒有觀測值而缺失，例如距離特徵，使用者可能禁止獲取地理位置或者獲取地理位置失敗，此時需要對這些特徵做特殊的處理，賦予一個預設值。預設值如何賦予，也有很多種方法。例如單獨表示，眾數，平均值等。

四，交叉驗證

交叉驗證是機器學習當中的概念，一般深度學習不會使用交叉驗證方法，原因是深度學習的資料集一般都很大。但是也有例外，Kaggle 的一些醫療類比賽，訓練集一般只有幾千張，由於訓練資料很少，用來作為驗證集的資料會非常少，因此訓練的模型在驗證集上精度可能會有很大波動，這直接取決於我們所選擇的驗證集和訓練集劃分方式，也就是說，驗證集的劃分方式可能會造成驗證集精度存在較大方差，從而無法對模型進行有效評估，同時也無法進行有效的超引數調整（batch 設定多少模型最佳收斂）。

一個有效的解決辦法是，在訓練資料上面，我們可以進行交叉驗證(Cross-Validation)·。一種方法叫做 ·K-fold Cross Validation ( K 折交叉驗證), K 折交叉驗證，初始取樣分割成 K 個子樣本，一個單獨的子樣本被保留作為驗證模型的資料，其他 K-1 個樣本用來訓練。交叉驗證重複 K 次，每個子樣本驗證一次，平均 K 次模型訓練的結果，最終輸出一個單一估測。k-折交叉驗證的訓練集劃分方式如下圖所示：

• 當 K 值大的時候， 我們會有更少的 Bias(偏差), 更多的 Variance。
• 當 K 值小的時候， 我們會有更多的 Bias(偏差), 更少的 Variance。

k 折交叉驗證的程式碼實現可以參考《Python深度學習》第三章，在模型訓練好後，可通過計算所有 Epoch 的 K 折驗證分數的平均值，並繪製每輪的模型驗證指標變化曲線，觀察哪個 Epoch 後模型不再收斂，從而完成模型調參工作。同時，K 折交叉驗證方式訓練模型會得到 K個模型，將這個 K 個模型在測試集上的推理結果取平均值或者投票，也是一種 Ensemble 方式，可以增強模型泛化性，防止過擬合。

# 計算所有輪次中的 K 折驗證分數平均值
average_mae_history = [np.mean([x[i] for x in all_mae_histories]) for i in range(num_epochs)]

參考資料

• Machine learning basics