close
為何Python是機器學習的首選?懶人包10種演算法圖解,讓你一次看懂!
隨著人工智慧的深入發展，沒有學習能力的 AI 侷限性越發明顯，為了突破這個瓶頸，「機器學習」逐漸成為 AI 領域的研究核心之一，也發展出各種機器學習的演算法。 現今有哪一些最夯的算法？各自有什麼特點？這次就要來介紹常用的機器學習演算法，並且告訴你為何機器學習語言要首選 Python ！ 機器學習演算法大致上可以分為三類：監督式學習（Supervised learning）、非監督式學習（Unsupervised learning）與強化式學習（Reinforcement learning）。 本次將著重介紹「監督式學習」與「非監督式學習」的演算法。
一、監督式學習
監督學習算法可以分成兩個大方向：分類和迴歸。1. 線性迴歸（Linear Regression）
2. 邏輯回歸（Logistic Regression）
邏輯回歸延伸自線性回歸，是一個二元分類算法，透過選取不同的特徵與權重來對樣本進行機率分類。 邏輯回歸會使用某種函數將機率值壓縮到某一特定範圍，如 Sigmoid 函數。S 函數是一種具有 S 形曲線、用於二分類的函數。
3. 支援向量機（Support Vector Machine，SVM）
支援向量機 SVM 同樣是一個二元分類算法，它可以在 N 維空間找到一個 (N-1) 維的超平面，以使兩類數據之間的餘量最大化。這個超平面可以使兩個類別之間的邊距或距離最大化，平面內如果存在線性可分的兩類點，SVM 可以找到一條最適直線將這些點分開。 除了進行線性分類之外，SVM 還可以使用核技巧（kernal trick）進行非線性分類，將其輸入隱式對映到高維特徵空間中。
4. 樸素貝葉斯分類器（Naive Bayes classifier）
「貝葉斯推斷」延伸自貝葉斯理論，是描述在擁有部分已知條件下，某事件的發生機率。 而在 Python 機器學習中，樸素貝葉斯分類器是以假設「特徵之間是獨立的、不相互影響的」的簡單機率分類器，可以直接利用條件機率相乘的方法，計算出聯合機率分布。 貝葉斯公式為：
▲ 貝葉斯公式
也可以表示為：
▲ 貝葉斯公式
posterior：通過樣本 X 得到參數 θ 的機率，稱為後驗機率。 likehood：通過參數 θ 得到樣本 X 的機率，即似然函數。通常為數據集的表現。 prior：該樣本 θ 機率，稱為先驗機率。 evidence：樣本 X 發生的機率，即為要預測的值。 即使一般現實世界的資料通常無法滿足貝葉斯理論的假設，但樸素貝葉斯分類器卻是相當實用，因其簡單高效，而辨識效能也不輸許多算法繁複的分類器。貝葉斯模型的應用範圍非常廣泛，大數據、機器學習、資料採擷、資料分析等領域都會見到。
5. 決策樹（Decision Tree）
決策樹原先作為決策分析中的方法，指的是每個決策都可能引出複數的事件，最後通向不同結果，視覺化後的圖形很像樹的枝幹，故稱決策樹。 而在機器學習中，決策樹是一種用來處理分類問題的樹狀結構，每個內部節點表示一個評估欄位，而每個分枝代表一個可能的欄位輸出結果，每個則葉節點代表不同分類的類別標記。
▲ 決策樹演算法示意圖 ID3、C4.5 、C5.0、CHAID 及 CART 都是決策樹演算法的代表。 決策樹的主要功能，是藉由分類已知的實例來建立一個樹狀結構，並從中歸納出實例裡、類別欄位與其它欄位間的隱藏規則，也能利用來做樣本的預測，同時決策樹產生的模型也具有易於解釋的優點。
本篇為上篇，下篇請點此連結
相關文章:何使用人工智慧工具，活用 Python 簡化繁瑣的行銷工作？
六個月從工地工人轉職 Java 軟體工程師，全因半年做了「對的決定」
Python vs R語言：哪個比較適合人工智慧／機器學習？
台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>
零基礎入門Python學習指南
Python零基礎如何迅速功力倍增的24個建議
保護環境需仰賴效率比人類快 3000 倍的AI(上)
文章標籤
全站熱搜
留言列表
SEO (1)
