機器學(xué)習(xí)人人都在談?wù)?，但除了老師們知根知底外，只有很少的人能說清楚怎么回事。如果閱讀網(wǎng)上關(guān)于機器學(xué)習(xí)的文章，你很可能會遇到兩種情況：充斥各種定理的厚重學(xué)術(shù)三部曲(我搞定半個定理都夠嗆)，或是關(guān)于人工智能、數(shù)據(jù)科學(xué)魔法以及未來工作的天花亂墜的故事。

我決定寫一篇醞釀已久的文章，對那些想了解機器學(xué)習(xí)的人做一個簡單的介紹。不涉及高級原理，只用簡單的語言來談現(xiàn)實世界的問題和實際的解決方案。不管你是一名程序員還是管理者，都能看懂。

那我們開始吧！

為什么我們想要機器去學(xué)習(xí)？

現(xiàn)在出場的是Billy，Billy想買輛車，他想算出每月要存多少錢才付得起。瀏覽了網(wǎng)上的幾十個廣告之后，他了解到新車價格在2萬美元左右，用過1年的二手車價格是1.9萬美元，2年車就是1.8萬美元，依此類推。

作為聰明的分析師，Billy發(fā)現(xiàn)一種規(guī)律：車的價格取決于車齡，每增加1年價格下降1000美元，但不會低于10000美元。

用機器學(xué)習(xí)的術(shù)語來說，Billy發(fā)明了“回歸”(regression)——基于已知的歷史數(shù)據(jù)預(yù)測了一個數(shù)值(價格)。當(dāng)人們試圖估算eBay上一部二手iPhone的合理價格或是計算一場燒烤聚會需要準(zhǔn)備多少肋排時，他們一直在用類似Billy的方法——每人200g? 500？

是的，如果能有一個簡單的公式來解決世界上所有的問題就好了——尤其是對于燒烤派對來說——不幸的是，這是不可能的。

讓我們回到買車的情形，現(xiàn)在的問題是，除了車齡外，它們還有不同的生產(chǎn)日期、數(shù)十種配件、技術(shù)條件、季節(jié)性需求波動……天知道還有哪些隱藏因素……普通人Billy沒法在計算價格的時候把這些數(shù)據(jù)都考慮進去，換我也同樣搞不定。

人們又懶又笨——我們需要機器人來幫他們做數(shù)學(xué)。因此，這里我們采用計算機的方法——給機器提供一些數(shù)據(jù)，讓它找出所有和價格有關(guān)的潛在規(guī)律。

終~于~見效啦。最令人興奮的是，相比于真人在頭腦中仔細(xì)分析所有的依賴因素，機器處理起來要好得多。

就這樣，機器學(xué)習(xí)誕生了。

機器學(xué)習(xí)的3個組成部分

拋開所有和人工智能(AI)有關(guān)的扯淡成分，機器學(xué)習(xí)唯一的目標(biāo)是基于輸入的數(shù)據(jù)來預(yù)測結(jié)果，就這樣。所有的機器學(xué)習(xí)任務(wù)都可以用這種方式來表示，否則從一開始它就不是個機器學(xué)習(xí)問題。

樣本越是多樣化，越容易找到相關(guān)聯(lián)的模式以及預(yù)測出結(jié)果。因此，我們需要3個部分來訓(xùn)練機器：

數(shù)據(jù)

想檢測垃圾郵件？獲取垃圾信息的樣本。想預(yù)測股票？找到歷史價格信息。想找出用戶偏好？分析他們在Facebook上的活動記錄(不，Mark，停止收集數(shù)據(jù)~已經(jīng)夠了)。數(shù)據(jù)越多樣化，結(jié)果越好。對于拼命運轉(zhuǎn)的機器而言，至少也得幾十萬行數(shù)據(jù)才夠吧。

獲取數(shù)據(jù)有兩種主要途徑——手動或者自動。手動采集的數(shù)據(jù)混雜的錯誤少，但要耗費更多的時間——通常花費也更多。自動化的方法相對便宜，你可以搜集一切能找到的數(shù)據(jù)(但愿數(shù)據(jù)質(zhì)量夠好)。

一些像Google這樣聰明的家伙利用自己的用戶來為他們免費標(biāo)注數(shù)據(jù)，還記得ReCaptcha(人機驗證)強制你去“選擇所有的路標(biāo)”么？他們就是這樣獲取數(shù)據(jù)的，還是免費勞動！干得漂亮。如果我是他們，我會更頻繁地展示這些驗證圖片，不過，等等……

好的數(shù)據(jù)集真的很難獲取，它們是如此重要，以至于有的公司甚至可能開放自己的算法，但很少公布數(shù)據(jù)集。

特征

也可以稱為“參數(shù)”或者“變量”，比如汽車行駛公里數(shù)、用戶性別、股票價格、文檔中的詞頻等。換句話說，這些都是機器需要考慮的因素。

如果數(shù)據(jù)是以表格的形式存儲，特征就對應(yīng)著列名，這種情形比較簡單。但如果是100GB的貓的圖片呢？我們不能把每個像素都當(dāng)做特征。這就是為什么選擇適當(dāng)?shù)奶卣魍ǔ１葯C器學(xué)習(xí)的其他步驟花更多時間的原因，特征選擇也是誤差的主要來源。人性中的主觀傾向，會讓人去選擇自己喜歡或者感覺“更重要”的特征——這是需要避免的。

算法

最顯而易見的部分。任何問題都可以用不同的方式解決。你選擇的方法會影響到最終模型的準(zhǔn)確性、性能以及大小。需要注意一點：如果數(shù)據(jù)質(zhì)量差，即使采用最好的算法也無濟于事。這被稱為“垃圾進，垃圾出”(garbae in - garbage out,GIGO)。所以，在把大量心思花到正確率之前，應(yīng)該獲取更多的數(shù)據(jù)。

學(xué)習(xí) V.S. 智能

我曾經(jīng)在一些流行媒體網(wǎng)站上看到一篇題為“神經(jīng)網(wǎng)絡(luò)是否會取代機器學(xué)習(xí)？”的文章。這些媒體人總是莫名其妙地把線性回歸這樣的技術(shù)夸大為“人工智能”，就差稱之為“天網(wǎng)”了。下圖展示了幾個容易混淆的概念之間的關(guān)系。

“人工智能”是整個學(xué)科的名稱，類似于“生物學(xué)”或“化學(xué)”。

“機器學(xué)習(xí)”是“人工智能”的重要組成部分，但不是唯一的部分。

“神經(jīng)網(wǎng)絡(luò)”是機器學(xué)習(xí)的一種分支方法，這種方法很受歡迎，不過機器學(xué)習(xí)大家庭下還有其他分支。

“深度學(xué)習(xí)”是關(guān)于構(gòu)建、訓(xùn)練和使用神經(jīng)網(wǎng)絡(luò)的一種現(xiàn)代方法。本質(zhì)上來講，它是一種新的架構(gòu)。在當(dāng)前實踐中，沒人會將深度學(xué)習(xí)和“普通網(wǎng)絡(luò)”區(qū)分開來，使用它們時需要調(diào)用的庫也相同。為了不讓自己看起來像個傻瓜，你最好直接說具體網(wǎng)絡(luò)類型，避免使用流行語。

一般原則是在同一水平上比較事物。這就是為什么“神經(jīng)網(wǎng)絡(luò)將取代機器學(xué)習(xí)”聽起來就像“車輪將取代汽車”。親愛的媒體們，這會折損一大截你們的聲譽哦。

機器學(xué)習(xí)世界的版圖

如果你懶得閱讀大段文字，下面這張圖有助于獲得一些認(rèn)識。

在機器學(xué)習(xí)的世界里，解決問題的方法從來不是唯一的——記住這點很重要——因為你總會發(fā)現(xiàn)好幾個算法都可以用來解決某個問題，你需要從中選擇最適合的那個。當(dāng)然，所有的問題都可以用“神經(jīng)網(wǎng)絡(luò)”來處理，但是背后承載算力的硬件成本誰來負(fù)擔(dān)呢？

我們先從一些基礎(chǔ)的概述開始。目前機器學(xué)習(xí)主要有4個方向。

Part 1
經(jīng)典機器學(xué)習(xí)算法

經(jīng)典機器學(xué)習(xí)算法源自1950年代的純統(tǒng)計學(xué)。統(tǒng)計學(xué)家們解決的是諸如尋找數(shù)字中的模式、估計數(shù)據(jù)點間的距離以及計算向量方向這樣的形式數(shù)學(xué)(formal math)問題。

今天，一半的互聯(lián)網(wǎng)都在研究這些算法。當(dāng)你看到一列“繼續(xù)閱讀”的文章，或者在某個偏僻的加油站發(fā)現(xiàn)自己的銀行卡被鎖定而無法使用時，很可能是其中的一個小家伙干的。

大型科技公司是神經(jīng)網(wǎng)絡(luò)的忠實擁躉。原因顯而易見，對于這些大型企業(yè)而言，2%的準(zhǔn)確率提升意味著增加20億的收入。但是公司業(yè)務(wù)體量小時，就沒那么重要了。我聽說有團隊花了1年時間來為他們的電商網(wǎng)站開發(fā)新的推薦算法，事后才發(fā)現(xiàn)網(wǎng)站上99%的流量都來自搜索引擎——他們搞出來的算法毫無用處，畢竟大部分用戶甚至都不會打開主頁。

盡管經(jīng)典算法被廣泛使用，其實原理很簡單，你可以很容易地解釋給一個蹣跚學(xué)步的孩子聽。它們就像是基本的算術(shù)——我們每天都在用，甚至連想都不想。

1.1 有監(jiān)督學(xué)習(xí)

經(jīng)典機器學(xué)習(xí)通常分為兩類：有監(jiān)督學(xué)習(xí)(Supervised Learning)和無監(jiān)督學(xué)習(xí)(Unsupervised Learning)。

在“有監(jiān)督學(xué)習(xí)”中，有一個“監(jiān)督者”或者“老師”提供給機器所有的答案來輔助學(xué)習(xí)，比如圖片中是貓還是狗?！袄蠋煛币呀?jīng)完成數(shù)據(jù)集的劃分——標(biāo)注“貓”或“狗”，機器就使用這些示例數(shù)據(jù)來學(xué)習(xí)，逐個學(xué)習(xí)區(qū)分貓或狗。

無監(jiān)督學(xué)習(xí)就意味著機器在一堆動物圖片中獨自完成區(qū)分誰是誰的任務(wù)。數(shù)據(jù)沒有事先標(biāo)注，也沒有“老師”，機器要自行找出所有可能的模式。后文再討論這些。

很明顯，有“老師”在場時，機器學(xué)的更快，因此現(xiàn)實生活中有監(jiān)督學(xué)習(xí)更常用到。有監(jiān)督學(xué)習(xí)分為兩類：

分類(classification)，預(yù)測一個對象所屬的類別；

回歸(regression)，預(yù)測數(shù)軸上的一個特定點；

分類(Classification)

“基于事先知道的一種屬性來對物體劃分類別，比如根據(jù)顏色來對襪子歸類，根據(jù)語言對文檔分類，根據(jù)風(fēng)格來劃分音樂?！?/p>

分類算法常用于：

過濾垃圾郵件；

語言檢測；

查找相似文檔；

情感分析

識別手寫字母或數(shù)字

欺詐偵測

常用的算法：

樸素貝葉斯(Naive Bayes)

決策樹(Decision Tree)

Logistic回歸(Logistic Regression)

K近鄰(K-Nearest Neighbours)

支持向量機(Support Vector Machine)

機器學(xué)習(xí)主要解決“分類”問題。這臺機器好比在學(xué)習(xí)對玩具分類的嬰兒一樣：這是“機器人”，這是“汽車”，這是“機器-車”……額，等下，錯誤！錯誤！

在分類任務(wù)中，你需要一名“老師”。數(shù)據(jù)需要事先標(biāo)注好，這樣機器才能基于這些標(biāo)簽來學(xué)會歸類。一切皆可分類——基于興趣對用戶分類，基于語言和主題對文章分類(這對搜索引擎很重要)，基于類型對音樂分類(Spotify播放列表)，你的郵件也不例外。

樸素貝葉斯算法廣泛應(yīng)用于垃圾郵件過濾。機器分別統(tǒng)計垃圾郵件和正常郵件中出現(xiàn)的“偉哥”等字樣出現(xiàn)的頻次，然后套用貝葉斯方程乘以各自的概率，再對結(jié)果求和——哈，機器就完成學(xué)習(xí)了。

后來，垃圾郵件制造者學(xué)會了如何應(yīng)對貝葉斯過濾器——在郵件內(nèi)容后面添加很多“好”詞——這種方法被諷稱為“貝葉斯中毒”(Bayesian poisoning)。樸素貝葉斯作為最優(yōu)雅且是第一個實用的算法而載入歷史，不過現(xiàn)在有其他算法來處理垃圾郵件過濾問題。

再舉一個分類算法的例子。
假如現(xiàn)在你需要借一筆錢，那銀行怎么知道你將來是否會還錢呢？沒法確定。但是銀行有很多歷史借款人的檔案，他們擁有諸如“年齡”、“受教育程度”、“職業(yè)”、“薪水”以及——最重要的——“是否還錢”這些數(shù)據(jù)。

利用這些數(shù)據(jù)，我們可以訓(xùn)練機器找到其中的模式并得出答案。找出答案并不成問題，問題在于銀行不能盲目相信機器給出的答案。如果系統(tǒng)出現(xiàn)故障、遭遇黑客攻擊或者喝高了的畢業(yè)生剛給系統(tǒng)打了個應(yīng)急補丁，該怎么辦？

要處理這個問題，我們需要用到?jīng)Q策樹(Decision Trees)，所有數(shù)據(jù)自動劃分為“是/否”式提問——比如“借款人收入是否超過128.12美元？”——聽起來有點反人類。不過，機器生成這樣的問題是為了在每個步驟中對數(shù)據(jù)進行最優(yōu)劃分。

“樹”就是這樣產(chǎn)生的。分支越高(接近根節(jié)點)，問題的范圍就越廣。所有分析師都能接受這種做法并在事后給出解釋，即使他并不清楚算法是怎么回事，照樣可以很容易地解釋結(jié)果(典型的分析師啊)！

決策樹廣泛應(yīng)用于高責(zé)任場景：診斷、醫(yī)藥以及金融領(lǐng)域。

最廣為人知的兩種決策樹算法是CART和C4.5.

如今，很少用到純粹的決策樹算法。不過，它們是大型系統(tǒng)的基石，決策樹集成之后的效果甚至比神經(jīng)網(wǎng)絡(luò)還要好。這個我們后面再說。

當(dāng)你在Google上搜索時，正是一堆笨拙的“樹”在幫你尋找答案。搜索引擎喜歡這類算法，因為它們運行速度夠快。

按理說，支持向量機(SVM)應(yīng)該是最流行的分類方法。只要是存在的事物都可以用它來分類：對圖片中的植物按形狀歸類，對文檔按類別歸類等。

SVM背后的思想很簡單——它試圖在數(shù)據(jù)點之間繪制兩條線，并盡可能最大化兩條線之間的距離。如下圖示：

分類算法有一個非常有用的場景——異常檢測(anomaly detection)，如果某個特征無法分配到所有類別上，我們就把它標(biāo)出來?，F(xiàn)在這種方法已經(jīng)用于醫(yī)學(xué)領(lǐng)域——MRI(磁共振成像)中，計算機會標(biāo)記檢測范圍內(nèi)所有的可疑區(qū)域或者偏差。股票市場使用它來檢測交易人的異常行為以此來找到內(nèi)鬼。在訓(xùn)練計算機分辨哪些事物是正確時，我們也自動教會其識別哪些事物是錯誤的。

經(jīng)驗法則(rule of thumb)表明，數(shù)據(jù)越復(fù)雜，算法就越復(fù)雜。對于文本、數(shù)字、表格這樣的數(shù)據(jù)，我會選擇經(jīng)典方法來操作。這些模型較小，學(xué)習(xí)速度更快，工作流程也更清晰。對于圖片、視頻以及其他復(fù)雜的大數(shù)據(jù)，我肯定會研究神經(jīng)網(wǎng)絡(luò)。

就在5年前，你還可以找到基于SVM的人臉分類器?，F(xiàn)在，從數(shù)百個預(yù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中挑選一個模型反而更容易。不過，垃圾郵件過濾器沒什么變化，它們還是用SVM編寫的，沒什么理由去改變它。甚至我的網(wǎng)站也是用基于SVM來過濾評論中的垃圾信息的。

回歸(Regression)

“畫一條線穿過這些點，嗯~這就是機器學(xué)習(xí)”

回歸算法目前用于：

股票價格預(yù)測

供應(yīng)和銷售量分析

醫(yī)學(xué)診斷

計算時間序列相關(guān)性

常見的回歸算法有：

線性回歸（Linear Regression)

多項式回歸(PolynomialRegression)

“回歸”算法本質(zhì)上也是“分類”算法，只不過預(yù)測的是不是類別而是一個數(shù)值。比如根據(jù)行駛里程來預(yù)測車的價格，估算一天中不同時間的交通量，以及預(yù)測隨著公司發(fā)展供應(yīng)量的變化幅度等。處理和時間相關(guān)的任務(wù)時，回歸算法可謂不二之選。

回歸算法備受金融或者分析行業(yè)從業(yè)人員青睞。它甚至成了Excel的內(nèi)置功能，整個過程十分順暢——機器只是簡單地嘗試畫出一條代表平均相關(guān)的線。不過，不同于一個拿著筆和白板的人，機器是通過計算每個點與線的平均間隔這樣的數(shù)學(xué)精確度來完成的這件事。

如果畫出來的是直線，那就是“線性回歸”，如果線是彎曲的，則是“多項式回歸”。它們是回歸的兩種主要類型。其他類型就比較少見了。不要被Logistics回歸這個“害群之馬”忽悠了，它是分類算法，不是回歸。

不過，把“回歸”和“分類”搞混也沒關(guān)系。一些分類器調(diào)整參數(shù)后就變成回歸了。除了定義對象的類別外，還要記住對象有多么的接近該類別，這就引出了回歸問題。
如果你想深入研究，可以閱讀文章《寫給人類的機器學(xué)習(xí)》[1](強烈推薦)。

1.2 無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)比有監(jiān)督學(xué)習(xí)出現(xiàn)得稍晚——在上世紀(jì)90年代，這類算法用的相對較少，有時候僅僅是因為沒得選才找上它們。

有標(biāo)注的數(shù)據(jù)是很奢侈的。假設(shè)現(xiàn)在我要創(chuàng)建一個——比如說“公共汽車分類器”，那我是不是要親自去街上拍上幾百萬張該死的公共汽車的照片，然后還得把這些圖片一一標(biāo)注出來？沒門，這會花費我畢生時間，我在Steam上還有很多游戲沒玩呢。

這種情況下還是要對資本主義抱一點希望，得益于社會眾包機制，我們可以得到數(shù)百萬便宜的勞動力和服務(wù)。比如Mechanical Turk[2]，背后是一群隨時準(zhǔn)備為了獲得0.05美元報酬來幫你完成任務(wù)的人。事情通常就是這么搞定的。

或者，你可以嘗試使用無監(jiān)督學(xué)習(xí)。但是印象中，我不記得有什么關(guān)于它的最佳實踐。無監(jiān)督學(xué)習(xí)通常用于探索性數(shù)據(jù)分析(exploratory data analysis)，而不是作為主要的算法。那些擁有牛津大學(xué)學(xué)位且經(jīng)過特殊訓(xùn)練的人給機器投喂了一大堆垃圾然后開始觀察：有沒有聚類呢？沒有?？梢钥吹揭恍┞?lián)系嗎？沒有。好吧，接下來，你還是想從事數(shù)據(jù)科學(xué)工作的，對吧？

聚類(Clustering)

“機器會選擇最好的方式，基于一些未知的特征將事物區(qū)分開來?！?/p>

聚類算法目前用于：

市場細(xì)分(顧客類型，忠誠度)

合并地圖上鄰近的點

圖像壓縮

分析和標(biāo)注新的數(shù)據(jù)

檢測異常行為

常見算法：

K均值聚類

Mean-Shift

DBSCAN

聚類是在沒有事先標(biāo)注類別的前提下來進行類別劃分。好比你記不住所有襪子的顏色時照樣可以對襪子進行分類。聚類算法試圖找出相似的事物(基于某些特征)，然后將它們聚集成簇。那些具有很多相似特征的對象聚在一起并劃分到同一個類別。有的算法甚至支持設(shè)定每個簇中數(shù)據(jù)點的確切數(shù)量。

這里有個示范聚類的好例子——在線地圖上的標(biāo)記。當(dāng)你尋找周圍的素食餐廳時，聚類引擎將它們分組后用帶數(shù)字的氣泡展示出來。不這么做的話，瀏覽器會卡住——因為它試圖將這個時尚都市里所有的300家素食餐廳繪制到地圖上。

Apple Photos和Google Photos用的是更復(fù)雜的聚類方式。通過搜索照片中的人臉來創(chuàng)建你朋友們的相冊。應(yīng)用程序并不知道你有多少朋友以及他們的長相，但是仍可以從中找到共有的面部特征。這是很典型的聚類。

另一個常見的應(yīng)用場景是圖片壓縮。當(dāng)圖片保存為PNG格式時，可以將色彩設(shè)置為32色。這就意味著聚類算法要找出所有的“紅色”像素，然后計算出“平均紅色”，再將這個均值賦給所有的紅色像素點上。顏色更少，文件更小——劃算！

但是，遇到諸如這樣的顏色時就麻煩了。這是綠色還是藍(lán)色？此時就需要K-Means算法出場啦。

先隨機從色彩中選出32個色點作為“簇心”，剩余的點按照最近的簇心進行標(biāo)記。這樣我們就得到了圍繞著32個色點的“星團”。接著我們把簇心移動到“星團”的中心，然后重復(fù)上述步驟知道簇心不再移動為止。

完工。剛好聚成32個穩(wěn)定的簇形。

給大家看一個現(xiàn)實生活中的例子：

尋找簇心這種方法很方便，不過，現(xiàn)實中的簇并不總是圓形的。假如你是一名地質(zhì)學(xué)家，現(xiàn)在需要在地圖上找出一些類似的礦石。這種情形下，簇的形狀會很奇怪，甚至是嵌套的。甚至你都不知道會有多少個簇，10個？100個？

K-means算法在這里就派不上用場了，但是DBSCAN算法用得上。我們把數(shù)據(jù)點比作廣場上的人，找到任何相互靠近的3個人請他們手拉手。接下來告訴他們抓住能夠到的鄰居的手(整個過程人的站立位置不能動)，重復(fù)這個步驟，直到新的鄰居加入進來。這樣我們就得到了第一個簇，重復(fù)上述過程直到每個人都被分配到簇，搞定。
一個意外收獲：一個沒有人牽手的人——異常數(shù)據(jù)點。

整個過程看起來很酷。

有興趣繼續(xù)了解下聚類算法？可以閱讀這篇文章《數(shù)學(xué)科學(xué)家需要知道的5種聚類算法》[3].

就像分類算法一樣，聚類可以用來檢測異常。用戶登陸之后的有不正常的操作？讓機器暫時禁用他的賬戶，然后創(chuàng)建一個工單讓技術(shù)支持人員檢查下是什么情況。說不定對方是個“機器人”。我們甚至不必知道“正常的行為”是什么樣，只需把用戶的行為數(shù)據(jù)傳給模型，讓機器來決定對方是否是個“典型的”用戶。

這種方法雖然效果不如分類算法那樣好，但仍值得一試。

降維(Dimensionality Reduction)

“將特定的特征組裝成更高級的特征 ”

“降維”算法目前用于：

推薦系統(tǒng)

漂亮的可視化

主題建模和查找相似文檔

假圖識別

風(fēng)險管理

常用的“降維”算法：

主成分分析(Principal Component Analysis,PCA)

奇異值分解(Singular Value Decomposition,SVD)

潛在狄里克雷特分配(Latent Dirichlet allocation, LDA)

潛在語義分析(Latent Semantic Analysis,LSA, pLSA, GLSA),

t-SNE(用于可視化)

早年間，“硬核”的數(shù)據(jù)科學(xué)家會使用這些方法，他們決心在一大堆數(shù)字中發(fā)現(xiàn)“有趣的東西”。Excel圖表不起作用時，他們迫使機器來做模式查找的工作。于是他們發(fā)明了降維或者特征學(xué)習(xí)的方法。

將2D數(shù)據(jù)投影到直線上(PCA)

對人們來說，相對于一大堆碎片化的特征，抽象化的概念更加方便。舉個例子，我們把擁有三角形的耳朵、長長的鼻子以及大尾巴的狗組合出“牧羊犬”這個抽象的概念。相比于特定的牧羊犬，我們的確丟失了一些信息，但是新的抽象概念對于需要命名和解釋的場景時更加有用。作為獎勵，這類“抽象的”模型學(xué)習(xí)速度更快，訓(xùn)練時用到的特征數(shù)量也更少，同時還減少了過擬合。

這些算法在“主題建模”的任務(wù)中能大顯身手。我們可以從特定的詞組中抽象出他們的含義。潛在語義分析(LSA)就是搞這個事情的，LSA基于在某個主題上你能看到的特定單詞的頻次。比如說，科技文章中出現(xiàn)的科技相關(guān)的詞匯肯定更多些，或者政治家的名字大多是在政治相關(guān)的新聞上出現(xiàn)，諸如此類。

我們可以直接從所有文章的全部單詞中來創(chuàng)建聚類，但是這么做就會丟失所有重要的連接(比如，在不同的文章中battery 和 accumulator的含義是一樣的)，LSA可以很好地處理這個問題，所以才會被叫做“潛在語義”(latent semantic)。

因此，需要把單詞和文檔連接組合成一個特征，從而保持其中的潛在聯(lián)系——人們發(fā)現(xiàn)奇異值分解(SVD)能解決這個問題。那些有用的主題簇很容易從聚在一起的詞組中看出來。

推薦系統(tǒng)和協(xié)同過濾是另一個高頻使用降維算法的領(lǐng)域。如果你用它從用戶的評分中提煉信息，你就會得到一個很棒的系統(tǒng)來推薦電影、音樂、游戲或者你想要的任何東西。

這里推薦一本我最愛的書《集體編程智慧》(Programming Collective Intelligence)，它曾是我大學(xué)時代的枕邊書。

要完全理解這種機器上的抽象幾乎不可能，但可以留心觀察一些相關(guān)性：有些抽象概念和用戶年齡相關(guān)——小孩子玩“我的世界”或者觀看卡通節(jié)目更多，其他則可能和電影風(fēng)格或者用戶愛好有關(guān)。

僅僅基于用戶評分這樣的信息，機器就能找出這些高等級的概念，甚至不用去理解它們。干得漂亮，電腦先生?，F(xiàn)在我們可以寫一篇關(guān)于“為什么大胡子的伐木工喜歡我的小馬駒”的論文了。

關(guān)聯(lián)規(guī)則學(xué)習(xí)(Association rule learning)

“在訂單流水中查找模式”

“關(guān)聯(lián)規(guī)則”目前用于：

預(yù)測銷售和折扣

分析“一起購買”的商品

規(guī)劃商品陳列

分析網(wǎng)頁瀏覽模式

常用的算法：

Apriori

Euclat

FP-growth

用來分析購物車、自動化營銷策略以及其他事件相關(guān)任務(wù)的算法都在這兒了。如果你想從某個物品序列中發(fā)現(xiàn)一些模式，試試它們吧。

比如說，一位顧客拿著一提六瓶裝的啤酒去收銀臺。我們應(yīng)該在結(jié)賬的路上擺放花生嗎?人們同時購買啤酒和花生的頻次如何？是的，關(guān)聯(lián)規(guī)則很可能適用于啤酒和花生的情形，但是我們還可以用它來預(yù)測其他哪些序列? 能否做到在商品布局上的作出微小改變就能帶來利潤的大幅增長？

這個思路同樣適用電子商務(wù)，那里的任務(wù)更加有趣——顧客下次要買什么？

不知道為啥規(guī)則學(xué)習(xí)在機器學(xué)習(xí)的范疇內(nèi)似乎很少提及。經(jīng)典方法是在對所有購買的商品進行正面檢查的基礎(chǔ)上套用樹或者集合方法。算法只能搜索模式，但沒法在新的例子上泛化或再現(xiàn)這些模式。

現(xiàn)實世界中，每個大型零售商都會建立了自己專屬的解決方案，所以這里不會為你帶來革命。本文提及的最高水平的技術(shù)就是推薦系統(tǒng)。不過，我可能沒意識到這方面有什么突破。如果你有什么想分享的，請在評論中告訴我。

責(zé)任編輯：lq