无监督学习-阿里云开发者社区

无监督学习

内容介绍：

一、Unsupervised learning

二、K-Means

三、Nearest neighbor methods

四、Decision trees

五、Ensemble methods

六、Try GDBT @Parameter Server

七、部分算法应用场景

八、Homework

一、Unsupervised learning

One way to interpret many unsupervised learning

algorithms is that they try to "re-create"the input using a limited hypothesis class

非监督，它是一个没有 label 的情况下的学习算法，其实很多类的算法它都是非监督算法都是想去能够重建输入，所以它的这样一个假设级一般是hypothesis function：hθ：Rⁿ→R^n-want hθ≈x^（ⁱ^）for all training data，loss function：l：Rⁿ×Rⁿ→R₊-E.g.,l(hθ(x),x)=||hθ(x)-x||²

二、K-Means

1、Parameters are a set of k"centers" in the data

2、θ={μ⁽¹⁾,μ⁽²⁾,...,μ^(k)},μ⁽ⁱ⁾∈R^K

3、Hypothesis class picks the closest center

h_θ(x)=μ^{(argmini||x-μ(i)||2)}

4、With this framework,training looks the same as supervised

learning minimize_θ

E^m_i=1||x(i)-h_θ(x(i)||2

K-Means是聚类的一个算法，它的参数是k聚类的中心，一个假设级也是每个样本都挑一个跟它最近的，通过这样一种机制得到一个剧烈的中心点。

例：首先初始化得到k个中心点，可能k中心点是随机化来赋予的，k是有一定的策略，包括初试点的赋予也是有一定的方式跟方法的，然后通过这种方式跟方法来设置好k，可以跟这样一个中心点之后就开始迭代，来算这几个点，离哪个中心点比较近，哪个近，它就属于一个中心点，每次弄完统一分配之后来重新计算这个中心点，可能中心点不怎么发生变化，那么k-means 就基本上收敛了。

如果设定k等于5，把跑出去的结果放在里面，k-means这种情况下的效果是很好的。

三、Nearest neighbor methods

1、Predict output based upon closest example in training set

set hθ(x) = y^{(argmini||x-x(}^i)||2⁾

2、Can also average over kclosest examples:knearest neighbor

3、Requires no separate "training"phase, but requires that we keep around all the data

少数服从多数的一个概念，它本身不需要所谓的训练过程，但是它需要在预测时候需要把所有的数据都要过一遍，通过这样一种关系，如果给定一个测试数据x ，找到 k 个离它最近的一个样本，看这个 k 里面哪个 label 是最常见的出现最多，那么就是x label。

比如 k 等于3，中间的红五角星，如果在附近找三个比较近的，是需要有一系列的数据结构算法来支持的，中间也会比较耗内存。如果K 等于6，画的是外环的圈，如果k等于3的时候，它的红星的 label是 class b，因为这两个出现的多一点，k等于6的时候它所谓的类就是 class a

所以这中间k的选取也有很大关系，但是这个算法比较自然，一般效果不会太差。

四、Decision trees

Hypothesis class partitions space into diffrent regions; Can also have linear predictors(regression or classification) at the leaves;Greedy training find nodes that best separate data into distinct classes

第二类是一个决策树，决策树它是把这样一个空间分成多个不同的区域，非常类似于这个人来去做一些决策。

其实它跟人来做决策非常像，同时可能在日常生活也写了很多这样的一个角色的过程，比如c里面有一堆 if else 的地方其实都会有这样一个过程，它可以用来做回归，也可以用来做分类。

例：收入跟年龄，来预测两类

把小于收入61的画一条线，年龄27画一条线，年龄38画一条线，这样就分的很好，这也是一个非线性的决策，一个边界。

Fun Time

The following c like code can be viewed as a decision tree of three leaves

if (income > 100000) return true;

else {

if (debt > 50000) return false;

else return true;

}

What is the output of the tree for (income, debt) = (98765, 56789)?

A. True

B.98765

C. False

D.56789

如果有类似c一样的代码，如果这样一个输入是这样，输出是什么样的？

五、Ensemble methods

1、Combine a number of different hypotheses, popular instances:

2、Random forests:ensemble of decision trees built from different subsets of training data;

3、Boosting: iteratively train multiple clasifiers/regresion on reweighted examples based upon performance of the previous hypothesis

实践中用的非常广，是集成学习，就是把一系列的猫都 combine 起来，有两种类别的方式，类似于 random forests ，每个人都来到一个不同的数据去学习不同的模型之后再把它 combine，还有一种是每次训练的模型都在前一次的基础上进行迭代，进行提高，这种程度 boosting ，比如这种常见的 fdbt 等等。

六、Try GDBT @Parameter Server

按照http∶//gitlab.alibaba-inc.com/parameter-server/ps-sdk/wikis/smart的说明，组织好样本;

使用类似∶param_server-ily_gbdt_ota_train_data-o ly.gbdt_ota_train_model-a SMART的命令，进行建模

比如在集团里面有个 fdbt，按照它的说明，把样本组织好，把特征分成一列，前面是 label，后面是特征和它的值，通过在云端设置一个节点，通过命令进行建模，完整的命令在说明里面查看。

七、部分算法应用场景

Following the Occam's Razor principle:use the least complicated algorithm that can address your needs and only go for something more complicated if strictly necessary

逻辑回归

简单高效，调参容易，特征、样本规模→千亿量级，广泛应用在二分类上，支持在线学习，典型场景∶广告/推荐/广告/营销中CTR &CVR预估、Rank等

决策树

直观易理解，支持非线性，样本规模百亿量级，特征规模万级别输出特征重要度，二分类跟多分类，典型场景∶搜索排序、推荐、Rank、回归、特征选择等

SVM

在工业级场景中，相对逻辑回归几乎没有优势，且训练比较慢。

一般不推荐在工业级场景中使用

KNN

Simplest thing you can do, often effective but slow and requires lots of memory

K-Means

没有标签数据时，clustering when you need to group points based on some feature

线性回归

Use when you want to predict continuous values, instead of classifying

首先一个大的原则就是Occam's Razor，这个原则就是希望去用一些相对没有那么复杂的算法，就能够解决问题。

而且只有在需要去用那么复杂的算法的时候，才去用它，这是一个非常重要的前提。

逻辑回归简单高效，支持的特征规模跟样本规模也比较多，调仓也比较容易，可能要调的是一个政策化的一个参数，因为它使用方面比较容易上手，所以它广泛应用在iPhone类上面，并且它也比较好的能够支持在线学习，比如说谷歌的 stil的算法，它在一些典型的场景里面，比如广告推荐搜索营销中的ctr和cvr的一个预估认可等等，运用得非常的广。

第二个是决策数，它是因为过程确实非常容易理解，人也比较容易去debug，这是比较好的非线性的一个特征，所以它再多分类上应用的非常广，并且它能够输出这样一个特征的重要程度，所以它也在类似于推荐搜索上面用的非常的广，svm它其实在工业级的级别的场景中相对逻辑回归，它并没有什么太多的优势，并且它的训练相对是比较慢的，所以一般不怎么推荐在工业级的场景中去使用它。

当然在一些数据量不大，然后操作规模也不大的情况下，应用它还是有一定的优势的。 KNN它比较简单，也比较高手，但是真的比较慢，它需要消耗比较多的一个内存。

L-means 当没有这样一个标签数据的时候，可以去尝试用 K-means并且 K-means 的一些输出可以用作别的算法的一个输入，线性回归就是想预测连续着的尝试线性回归，一般情况下使用算法的时候先把逻辑回归去做一个based on ，再尝试用一些决策树一些更优的，取得一个更好的效果。

实际情况下，尝试顺序∶逻辑回归→决策树→Ensemble method

这样的一个顺序并不是绝对的，可以根据自己的问题去灵活的去选择去应用。

总结：这些算法分为监督和非监督，它的一些应用场景，比如说回归分类，然后聚类，降维在这里并没有太多的去提及，而且也阐述了为什么机器能够学习，包括一个PAC理论，希望去实现一个比较简单的机器学习的算法。

再次要强调一下 machine learning，它涉及的学科非常多，它包括这个特征的表示，模型的评估，然后算法这样一个优化求解的问题，数据里面的一些问题，然后还有各式各样的算法，同时在面对大规模的时候，它对应的这样一个模型的system,怎么去设计工程方面的一些东西，所以要考虑的问题是方方面面的。

八、Homework

1、使用http://gitlab.alibaba-inc.com/jun.zhoujun/ml-

base/wikis/criteo 100000 data , 10万条criteo数据,尝

试logistic regression, decision tree等算法，进行数据处

理、特征分析，建立模型

2、分析loss、收敛等情况,绘制收敛曲线

3、Check模型是否有效，并分析各个特征的重要性

自己动手去尝试一下逻辑回归、决策书gbde等等这些算法去亲测，感受一下AI的魅力，去分析这样一个模型，分析loss收敛的情况，汇集一些曲线，查一下这个模型是不是真的有效，是不是特征真的是合理，通过这样一个方式能够直观了解的去用这样一个积极学习的东西，甚至最后能够给自己的一些场景联系上，能够尝试去使用这样一个模型能力的算法。

无监督学习