估量阅读韶光： 7 分钟

弱人工智能近几年取得了重大打破，悄然间，已经成为每个人生活中必不可少的一部分。
以我们的智好手机为例，看看到底温藏着多少人工智能的神奇魔术。

下图是一部范例的智好手机上安装的一些常见运用程序，可能很多人都猜不到，人工智能技能已经是手机上很多运用程序的核心驱动力。

图1 智好手机上的干系运用

传统的机器学习算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。
这篇文章将对常用算法做知识性的先容，没有代码，也没有繁芜的理论推导，便是图解一下，知道这些算法是什么，它们是怎么运用的。

决策树

根据一些 feature（特色） 进行分类，每个节点提一个问题，通过判断，将数据分为两类，再连续提问。
这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到得当的叶子上。

图2 决策树事理示意图

随机森林

在源数据中随机选取数据，组成几个子集：

图3-1 随机森林事理示意图

S矩阵是源数据，有1-N条数据，A、B、C 是feature，末了一列C是种别：

由S随机天生M个子矩阵：

这M个子集得到 M 个决策树：将新数据投入到这M个树中，得到M个分类结果，计数看预测成哪一类的数目最多，就将此种别作为末了的预测结果。

图3-2 随机森林效果展示图

逻辑回归

当预测目标是概率这样的，值域须要知足大于即是0，小于即是1的，这个时候纯挚的线性模型是做不到的，由于在定义域不在某个范围之内时，值域也超出了规定区间。

图4-1 线性模型图

以是此时须要这样的形状的模型会比较好：

图4-2

那么怎么得到这样的模型呢？

这个模型须要知足两个条件 “大于即是0”，“小于即是1” 。
大于即是0 的模型可以选择绝对值，平方值，这里用指数函数，一定大于0；小于即是1 用除法，分子是自己，分母是自身加上1，那一定是小于1的了。

图4-3

再做一下变形，就得到了 logistic regressions 模型：

图4-4

通过源数据打算可以得到相应的系数了：

图4-5

图4-6 LR模型曲线图

支持向量机

要将两类分开，想要得到一个超平面，最优的超平面是到两类的 margin 达到最大，margin便是超平面与离它最近一点的间隔，如下图，Z2>Z1，以是绿色的超平面比较好。

图5 分类问题示意图

将这个超平面表示成一个线性方程，在线上方的一类，都大于即是1，另一类小于即是－1：

点到面的间隔根据图中的公式打算：

以是得到total margin的表达式如下，目标是最大化这个margin，就须要最小化分母，于是变成了一个优化问题：

举个例子，三个点，找到最优的超平面，定义了 weight vector＝（2，3）－（1，1）：

得到weight vector为（a，2a），将两个点代入方程，代入（2，3）另其值＝1，代入（1，1）另其值＝-1，求解出 a 和 截矩 w0 的值，进而得到超平面的表达式。

a求出来后，代入（a，2a）得到的便是support vector，a和w0代入超平面的方程便是support vector machine。

朴素贝叶斯

举个在 NLP 的运用：给一段笔墨，返回情绪分类，这段笔墨的态度是positive，还是negative：

图6-1 问题案例

为理解决这个问题，可以只看个中的一些单词：

这段笔墨，将仅由一些单词和它们的计数代表：

原始问题是：给你一句话，它属于哪一类 ？通过bayes rules变成一个比较大略随意马虎求得的问题：

问题变成，这一类中这句话涌现的概率是多少，当然，别忘了公式里的其余两个概率。
例子：单词“love”在positive的情形下涌现的概率是 0.1，在negative的情形下涌现的概率是0.001。

图6-2 NB算法结果展示图

K隔壁算法

给一个新的数据时，离它最近的 k 个点中，哪个种别多，这个数据就属于哪一类。

例子：要区分“猫”和“狗”，通过“claws”和“sound”两个feature来判断的话，圆形和三角形是已知分类的了，那么这个“star”代表的是哪一类呢？

图7-1 问题案例

k＝3时，这三条线链接的点便是最近的三个点，那么圆形多一些，以是这个star便是属于猫。

图7-2 算法步骤展示图

K均值算法

先要将一组数据，分为三类，粉色数值大，黄色数值小 。
最开始先初始化，这里面选了最大略的 3，2，1 作为各种的初始值 。
剩下的数据里，每个都与三个初始值打算间隔，然后归类到离它最近的初始值所在种别。

图8-1 问题案例

分好类后，打算每一类的均匀值，作为新一轮的中央点：

图8-2

几轮之后，分组不再变革了，就可以停滞了：

图8-3 算法结果展示

Adaboost

Adaboost 是 Boosting 的方法之一。
Boosting便是把多少个分类效果并不好的分类器综合起来考虑，会得到一个效果比较好的分类器。

下图，旁边两个决策树，单个看是效果不怎么好的，但是把同样的数据投入进去，把两个结果加起来考虑，就会增加可信度。

图9-1 算法事理展示

Adaboost 的例子，手写识别中，在画板上可以抓取到很多features（特色），例如始点的方向，始点和终点的间隔等等。

图9-2

training的时候，会得到每个feature的weight（权重），例如2和3的开头部分很像，这个feature对分类起到的浸染很小，它的权重也就会较小。

图9-3

而这个alpha角就具有很强的识别性，这个feature的权重就会较大，末了的预测结果是综合考虑这些feature的结果。

图9-4

神经网络

Neural Networks适宜一个input可能落入至少两个种别里：NN由多少层神经元，和它们之间的联系组成。
第一层是input层，末了一层是output层。
在hidden层和output层都有自己的classifier。

图10-1 神经网络构造

input输入到网络中，被激活，打算的分数被通报到下一层，激活后面的神经层，末了output层的节点上的分数代表属于各种的分数，下图例子得到分类结果为class 1；同样的input被传输到不同的节点上，之以是会得到不同的结果是由于各自节点有不同的weights 和bias，这也便是forward propagation。

图10-2 算法结果展示

马尔科夫

不是马尔代夫哈，Markov Chains由state（状态）和transitions（转移）组成。
例子，根据这一句话 ‘the quick brown fox jumps over the lazy dog’，要得到markov chains。

步骤：先给每一个单词设定成一个状态，然后打算状态间转换的概率。

图11-1 马尔科夫事理图

这是一句话打算出来的概率，当你用大量文本去做统计的时候，会得到更大的状态转移矩阵，例如the后面可以连接的单词，及相应的概率。

图11-2 算法结果展示

『未完待续』