目錄
- 一、PageRank
- 二、Apriori（關聯分析）
- 三、AdaBoost
- 四、C4.5（決策樹）
- 五、CART（決策樹）
- 六、樸素貝葉斯（條件概率）
- 七、SVM
- 八、KNN
- 九、K-Means（聚類）
- 十、EM（聚類）
一、PageRank
當一篇論文被引用的次數越多，證明這篇論文的影響力越大。
一個網頁的入鏈越多，入鏈越優質，網頁的質量越高
原理
網頁影響力=阻尼影響力+所有入鏈集合頁面的加權影響力之和
- 一個網頁的影響力：所有入鏈的頁面的加權影響力之和
- 一個網頁對其他網頁的影響力貢獻爲：自身影響力/出鏈數量
- 用戶並不都是按照跳轉鏈接的方式來上網，還有其他的方式，比如直接輸入網址訪問，
所以需要設定阻尼因子，代表了用戶按照跳轉鏈接來上網的概率
比喻說明
- 微博
一個人的微博粉絲數不一定等於他的實際影響力，還需要看粉絲的質量如何。
如果是殭屍粉沒什麼用，但如果是很多大V或者明星關注，影響力很高。 - 店鋪的經營
顧客比較多的店鋪質量比較好，但是要看看顧客是不是託。 - 興趣
在感興趣的人或事身上投入了相對多的時間，對其相關的人事物也會投入一定的時間。
那個人或事，被關注的越多，它的影響力/受衆也就越大。
關於阻尼因子
- 通過你的鄰居的影響力來評判你的影響力，但是如果不能通過鄰居來訪問你，並不代表你沒有影響力，因爲可以直接訪問你，所以引入阻尼因子的概念
- 海洋除了有河流流經，還有雨水，但是下雨是隨機的
- 提出阻尼係數，還是爲了解決某些網站明明存在大量出鏈（入鏈），但是影響力卻非常大的情形。
出鏈例子：hao123導航網頁，出鏈極多入鏈極少
入鏈例子：百度谷歌等搜索引擎，入鏈極多出鏈極少。
二、Apriori（關聯分析）
關聯關係挖掘，從消費者交易記錄中發掘商品與商品之間的關聯關係
原理
1.支持度
某個商品組合出現的次數與總次數之間的比例
5次購買，4次買了牛奶，牛奶的支持度爲4/5=0.8
5次購買，3次買了牛奶+麪包，牛奶+麪包的支持度爲3/5=0.6
2.置信度
購買了商品A，有多大概率購買商品B，A發生的情況下B發生的概率是多少
買了4次牛奶，其中2次買了啤酒，(牛奶->啤酒)的置信度爲2/4=0.5
買了3次啤酒，其中2次買了牛奶，(啤酒->牛奶)的置信度爲2/3-0.67
3.提升度
衡量商品A的出現，對商品B的出現 概率提升的程度
提升度(A->B)=置信度(A->B)/支持度(B)
提升度>1，有提升； 提升度=1，無變化； 提升度<1，下降
4.頻繁項集
項集：可以是單個商品，也可以是商品組合
頻繁項集是支持度大於最小支持度（Min Support）的項集
計算過程
- 從K=1開始，篩選頻繁項集。
- 在結果中，組合K+1項集，再次篩選
- 循環1、2步。直到找不到結果爲止，K-1項集的結果就是最終結果。
擴展：FP-Growth 算法
Apriori 算法需要多次掃描數據庫，性能低下，不適合大數據量
FP-growth算法，通過構建 FP 樹的數據結構，將數據存儲在 FP 樹中，只需要在構建 FP 樹時掃描數據庫兩次，後續處理就不需要再訪問數據庫了。
比喻說明
啤酒和尿不溼擺在一起銷售
沃爾瑪通過數據分析發現，美國有嬰兒的家庭中，一般是母親在家照顧孩子，父親去超市買尿不溼。
父親在購買尿不溼時，常常會順便搭配幾瓶啤酒來犒勞自己，於是，
超市嘗試推出了將啤酒和尿不溼擺在一起的促銷手段，這個舉措居然使尿不溼和啤酒的銷量都大幅增加。
三、AdaBoost
原理
簡單的說，多個弱分類器訓練成爲一個強分類器。
將一系列的弱分類器以不同的權重比組合作爲最終分類選擇
計算過程
- 初始化基礎權重
- 獎權重矩陣，通過已的分類器計算錯誤率，選擇錯誤率最低的爲最優分類器
- 通過分類器權重公式，減少正確樣本分佈，增加錯誤樣本分佈，得到新的權重矩陣和當前k輪的分類器權重
- 將新的權重矩陣，帶入上面的步驟2和3，重新計算權重矩陣
- 迭代N輪，記錄每一輪的最終分類器權重，得到強分類器
比喻說明
- 利用錯題提升學習效率
做正確的題，下次少做點，反正都會了
做錯的題，下次多做點，集中在錯題上
隨着學習的深入，做錯的題會越來越少 - 合理跨界提高盈利
蘋果公司，軟硬結合，佔據了大部分的手機市場利潤，兩個領域的知識結合起來產生新收益
四、C4.5（決策樹）
決策就是對於一個問題，有多個答案，選擇答案的過程就是決策。
C4.5算法是用於產生決策樹的算法，主要用於分類
C4.5使用信息增益率做計算（ID3算法使用信息增益做計算）
原理
C4.5選擇最有效地方式對樣本集進行分裂，分裂規則是分析所有屬性的信息增益率
信息增益率越大，意味着這個特徵分類的能力越強，我們就要優先選擇這個特徵做分類
比喻說明
挑西瓜
拿到一個西瓜，先判斷它的紋路，如果很模糊，就認爲這不是好瓜，如果它清晰，就認爲它是一個好瓜，如果它稍稍模糊，就考慮它的密度，密度大於某個值，就認爲它是好瓜，否則就是壞瓜。
五、CART（決策樹）
CART：Classification And Regression Tree，中文叫分類迴歸樹，即可以做分類也可以做迴歸。
什麼是分類樹、迴歸樹？
分類樹：處理離散數據，也就是數據種類有限的數據，輸出的是樣本的類別 。
迴歸樹：可以對連續型的數值進行預測，輸出的是一個數值，數值在某個區間內都有取值的可能。
迴歸問題和分類問題的本質一樣，都是針對一個輸入做出一個輸出預測，其區別在於輸出變量的類型
原理
- CART分類樹
與C4.5算法類似，只是屬性選擇的指標是基尼係數。
基尼係數反應了樣本的不確定度，基尼係數越小，說明樣本之間的差異性小，不確定程度低。
分類是一個不確定度降低的過程，CART在構造分類樹的時候會選擇基尼係數最小的屬性作爲屬性的劃分。 - CART 迴歸樹
採用均方誤差或絕對值誤差爲標準，選取均方誤差或絕對值誤差最小的特徵
比喻說明
- 分類：預測明天是陰、晴還是雨
- 迴歸：預測明天的氣溫是多少度
六、樸素貝葉斯（條件概率）
樸素貝葉斯是一種簡單有效的常用分類算法，計算未知物體出現的條件下各個類別出現的概率，取概率最大的分類
原理
假設輸入的不同特徵之間是獨立的，基於概率論原理，通過先驗概率P(A)、P(B)和條件概率推算出後概率出P(A|B)
P(A)：先驗概率，即在B事件發生之前，對A事件概率的一個判斷。
P(B|A)：條件概率，事件 B 在另外一個事件 A 已經發生條件下的發生概率
P(A|B)：後驗概率，即在B事件發生之後，對A事件概率的重新評估。
比喻說明
給病人分類
| 症狀 | 職業 | 疾病 |
|---|---|---|
| 打噴嚏 | 護士 | 感冒 |
| 打噴嚏 | 農夫 | 過敏 |
| 頭痛 | 建築工人 | 腦震盪 |
| 頭痛 | 建築工人 | 感冒 |
| 打噴嚏 | 教師 | 感冒 |
| 頭痛 | 教師 | 腦震盪 |
給定一個新病人，是一個打噴嚏的建築工人，計算他患感冒的概率
七、SVM
SVM： Support Vector Machine，中文名爲支持向量機，是常見的一種分類方法，在機器學習中，SVM 是有監督的學習模型。
什麼是有監督學習和無監督學習 ？
有監督學習：即在已有類別標籤的情況下，將樣本數據進行分類。
無監督學習：即在無類別標籤的情況下，樣本數據根據一定的方法進行分類，即聚類，分類好的類別需要進一步分析後，從而得知每個類別的特點。
原理
找到具有最小間隔的樣本點，然後擬合出一個到這些樣本點距離和最大的線段/平面。
硬間隔：數據是線性分佈的情況，直接給出分類
軟間隔：允許一定量的樣本分類錯誤。
核函數：非線性分佈的數據映射爲線性分佈的數據。
比喻說明
1.分隔桌上一堆紅球和籃球
用一根線將桌上的紅球和藍球分成兩部分
2.分隔箱子裏一堆紅球和籃球
用一個平面將箱子裏的紅球和藍球分成兩部分
八、KNN
機器學習算法中最基礎、最簡單的算法之一，既能分類也能迴歸，通過測量不同特徵值之間的距離來進行分類。
原理
根據場景，選取距離計算方式，計算待分類物體與其他物體之間的距離
對於K個最近的鄰居，所佔數量最多的類別，預測爲該分類對象的類別
計算步驟
1.根據場景，選取距離計算方式，計算待分類物體與其他物體之間的距離
- 統計距離最近的K個鄰居
- 對於K個最近的鄰居，所佔數量最多的類別，預測爲該分類對象的類別
比喻說明
近朱者赤，近墨者黑
九、K-Means（聚類）
K-means是一個聚類算法，是無監督學習，生成指定K個類，把每個對象分配給距離最近的聚類中心
原理
1.隨機選取K個點爲分類中心點
2.將每個點分配到最近的類，這樣形成了K個類
3.重新計算每個類的中心點。比如都屬於同一個類別裏面有10個點，那麼新的中心點就是這10個點的中心點，一種簡單的方式就是取平均值。
比喻說明
1.選老大
大家隨機選K個老大，誰離得近，就是那個隊列的人（計算距離，距離近的人聚合在一上進心）
隨着時間的推移，老大的位置在變化（根據算法，重新計算中心點），直到選出真正的中心老大（重複，直到準確率最高）
2.Kmeans和Knn的區別
Kmeans開發，選老大，風水輪流轉，直到選出最佳中心老大
Knn小弟加隊伍，離那個班相對近，就是那個班的
十、EM（聚類）
EM 的英文是 Expectation Maximization，所以 EM 算法也叫最大期望算法，也是聚類算法的一種。
EM和K-Means的區別：
- EM是計算概率，KMeans是計算距離。
- EM屬於軟聚類，同一樣本可能屬於多個類別；而K-Means屬於硬聚類，一個樣本只能屬於一個類別。所以前者能夠發現一些隱藏的數據。
原理
先估計一個大概率的可能參數，然後再根據數據不斷地進行調整，直到找到最終的確認參數
比喻說明
菜稱重。
很少有人用稱對菜進行稱重，再計算一半的分量進行平分。
大部分人的方法是：
- 先分一部分到碟子 A 中，再把剩餘的分到碟子 B 中
- 觀察碟子 A 和 B 裏的菜是否一樣多，哪個多就勻一些到少的那個碟子裏
- 然後再觀察碟子 A 和 B 裏的是否一樣多，重複下去，直到份量不發生變化爲止。
本文作者：雪山飛豬