機(jī)器學(xué)習(xí)人人都在談?wù)摚死蠋焸冎淄?，只有很少的人能說(shuō)清楚怎么回事。如果閱讀網(wǎng)上關(guān)于機(jī)器學(xué)習(xí)的文章，你很可能會(huì)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(gè)定理都?jí)騿埽蚴顷P(guān)于人工智能、數(shù)據(jù)科學(xué)魔法以及未來(lái)工作的天花亂墜的故事。

我決定寫一篇醞釀已久的文章，對(duì)那些想了解機(jī)器學(xué)習(xí)的人做一個(gè)簡(jiǎn)單的介紹。不涉及高級(jí)原理，只用簡(jiǎn)單的語(yǔ)言來(lái)談現(xiàn)實(shí)世界的問(wèn)題和實(shí)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(jī)器去學(xué)習(xí)？

現(xiàn)在出場(chǎng)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(gè)廣告之后，他了解到新車價(jià)格在2萬(wàn)美元左右，用過(guò)1年的二手車價(jià)格是1.9萬(wàn)美元，2年車就是1.8萬(wàn)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(jià)格取決于車齡，每增加1年價(jià)格下降1000美元，但不會(huì)低于10000美元。

用機(jī)器學(xué)習(xí)的術(shù)語(yǔ)來(lái)說(shuō)，Billy發(fā)明了“回歸”（regression）——基于已知的歷史數(shù)據(jù)預(yù)測(cè)了一個(gè)數(shù)值（價(jià)格）。當(dāng)人們?cè)噲D估算eBay上一部二手iPhone的合理價(jià)格或是計(jì)算一場(chǎng)燒烤聚會(huì)需要準(zhǔn)備多少肋排時(shí)，他們一直在用類似Billy的方法——每人200g？ 500？

是的，如果能有一個(gè)簡(jiǎn)單的公式來(lái)解決世界上所有的問(wèn)題就好了——尤其是對(duì)于燒烤派對(duì)來(lái)說(shuō)——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(wèn)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(dòng)……天知道還有哪些隱藏因素……普通人Billy沒法在計(jì)算價(jià)格的時(shí)候把這些數(shù)據(jù)都考慮進(jìn)去，換我也同樣搞不定。

人們又懶又笨——我們需要機(jī)器人來(lái)幫他們做數(shù)學(xué)。因此，這里我們采用計(jì)算機(jī)的方法——給機(jī)器提供一些數(shù)據(jù)，讓它找出所有和價(jià)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(jī)器處理起來(lái)要好得多。

就這樣，機(jī)器學(xué)習(xí)誕生了。

機(jī)器學(xué)習(xí)的3個(gè)組成部分

拋開所有和人工智能（AI）有關(guān)的扯淡成分，機(jī)器學(xué)習(xí)唯一的目標(biāo)是基于輸入的數(shù)據(jù)來(lái)預(yù)測(cè)結(jié)果，就這樣。所有的機(jī)器學(xué)習(xí)任務(wù)都可以用這種方式來(lái)表示，否則從一開始它就不是個(gè)機(jī)器學(xué)習(xí)問(wèn)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(cè)出結(jié)果。因此，我們需要3個(gè)部分來(lái)訓(xùn)練機(jī)器：

（1）數(shù)據(jù)

想檢測(cè)垃圾郵件？獲取垃圾信息的樣本。想預(yù)測(cè)股票？找到歷史價(jià)格信息。想找出用戶偏好？分析他們?cè)贔acebook上的活動(dòng)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(duì)于拼命運(yùn)轉(zhuǎn)的機(jī)器而言，至少也得幾十萬(wàn)行數(shù)據(jù)才夠吧。

獲取數(shù)據(jù)有兩種主要途徑——手動(dòng)或者自動(dòng)。手動(dòng)采集的數(shù)據(jù)混雜的錯(cuò)誤少，但要耗費(fèi)更多的時(shí)間——通?；ㄙM(fèi)也更多。自動(dòng)化的方法相對(duì)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(lái)為他們免費(fèi)標(biāo)注數(shù)據(jù)，還記得ReCaptcha（人機(jī)驗(yàn)證）強(qiáng)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(fèi)勞動(dòng)！干得漂亮。如果我是他們，我會(huì)更頻繁地展示這些驗(yàn)證圖片，不過(guò)，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。

（2）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(jià)格、文檔中的詞頻等。換句話說(shuō)，這些都是機(jī)器需要考慮的因素。如果數(shù)據(jù)是以表格的形式存儲(chǔ)，特征就對(duì)應(yīng)著列名，這種情形比較簡(jiǎn)單。但如果是100GB的貓的圖片呢？我們不能把每個(gè)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(jī)器學(xué)習(xí)的其他步驟花更多時(shí)間的原因，特征選擇也是誤差的主要來(lái)源。人性中的主觀傾向，會(huì)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。

（3）算法

最顯而易見的部分。任何問(wèn)題都可以用不同的方式解決。你選擇的方法會(huì)影響到最終模型的準(zhǔn)確性、性能以及大小。需要注意一點(diǎn)：如果數(shù)據(jù)質(zhì)量差，即使采用最好的算法也無(wú)濟(jì)于事。這被稱為“垃圾進(jìn)，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(huì)取代機(jī)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(gè)容易混淆的概念之間的關(guān)系。

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

“機(jī)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(jī)器學(xué)習(xí)的一種分支方法，這種方法很受歡迎，不過(guò)機(jī)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(lái)講，它是一種新的架構(gòu)。在當(dāng)前實(shí)踐中，沒人會(huì)將深度學(xué)習(xí)和“普通網(wǎng)絡(luò)”區(qū)分開來(lái)，使用它們時(shí)需要調(diào)用的庫(kù)也相同。為了不讓自己看起來(lái)像個(gè)傻瓜，你最好直接說(shuō)具體網(wǎng)絡(luò)類型，避免使用流行語(yǔ)。

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(jī)器學(xué)習(xí)”聽起來(lái)就像“車輪將取代汽車”。親愛的媒體們，這會(huì)折損一大截你們的聲譽(yù)哦。機(jī)器能機(jī)器不能

預(yù)測(cè)創(chuàng)造新事物

記憶快速變聰明

復(fù)制超出任務(wù)范圍

選擇最優(yōu)項(xiàng)消滅全人類

機(jī)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(shí)。

在機(jī)器學(xué)習(xí)的世界里，解決問(wèn)題的方法從來(lái)不是唯一的——記住這點(diǎn)很重要——因?yàn)槟憧倳?huì)發(fā)現(xiàn)好幾個(gè)算法都可以用來(lái)解決某個(gè)問(wèn)題，你需要從中選擇最適合的那個(gè)。當(dāng)然，所有的問(wèn)題都可以用“神經(jīng)網(wǎng)絡(luò)”來(lái)處理，但是背后承載算力的硬件成本誰(shuí)來(lái)負(fù)擔(dān)呢？

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

Part 1：經(jīng)典機(jī)器學(xué)習(xí)算法

經(jīng)典機(jī)器學(xué)習(xí)算法源自1950年代的純統(tǒng)計(jì)學(xué)。統(tǒng)計(jì)學(xué)家們解決的是諸如尋找數(shù)字中的模式、估計(jì)數(shù)據(jù)點(diǎn)間的距離以及計(jì)算向量方向這樣的形式數(shù)學(xué)（formal math）問(wèn)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(gè)偏僻的加油站發(fā)現(xiàn)自己的銀行卡被鎖定而無(wú)法使用時(shí)，很可能是其中的一個(gè)小家伙干的。

大型科技公司是神經(jīng)網(wǎng)絡(luò)的忠實(shí)擁躉。原因顯而易見，對(duì)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(shí)，就沒那么重要了。我聽說(shuō)有團(tuán)隊(duì)花了1年時(shí)間來(lái)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(lái)自搜索引擎——他們搞出來(lái)的算法毫無(wú)用處，畢竟大部分用戶甚至都不會(huì)打開主頁(yè)。

盡管經(jīng)典算法被廣泛使用，其實(shí)原理很簡(jiǎn)單，你可以很容易地解釋給一個(gè)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(jī)器學(xué)習(xí)通常分為兩類：有監(jiān)督學(xué)習(xí)（Supervised Learning）和無(wú)監(jiān)督學(xué)習(xí)（Unsupervised Learning）。

在“有監(jiān)督學(xué)習(xí)”中，有一個(gè)“監(jiān)督者”或者“老師”提供給機(jī)器所有的答案來(lái)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(jī)器就使用這些示例數(shù)據(jù)來(lái)學(xué)習(xí)，逐個(gè)學(xué)習(xí)區(qū)分貓或狗。

無(wú)監(jiān)督學(xué)習(xí)就意味著機(jī)器在一堆動(dòng)物圖片中獨(dú)自完成區(qū)分誰(shuí)是誰(shuí)的任務(wù)。數(shù)據(jù)沒有事先標(biāo)注，也沒有“老師”，機(jī)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(chǎng)時(shí)，機(jī)器學(xué)的更快，因此現(xiàn)實(shí)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(cè)一個(gè)對(duì)象所屬的類別；

回歸（regression），預(yù)測(cè)數(shù)軸上的一個(gè)特定點(diǎn)；

分類（Classification）

“基于事先知道的一種屬性來(lái)對(duì)物體劃分類別，比如根據(jù)顏色來(lái)對(duì)襪子歸類，根據(jù)語(yǔ)言對(duì)文檔分類，根據(jù)風(fēng)格來(lái)劃分音樂(lè)?！?/p>

分類算法常用于：

過(guò)濾垃圾郵件；

語(yǔ)言檢測(cè)；

查找相似文檔；

情感分析

識(shí)別手寫字母或數(shù)字

欺詐偵測(cè)

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(jī)（Support Vector Machine）

機(jī)器學(xué)習(xí)主要解決“分類”問(wèn)題。這臺(tái)機(jī)器好比在學(xué)習(xí)對(duì)玩具分類的嬰兒一樣：這是“機(jī)器人”，這是“汽車”，這是“機(jī)器-車”……額，等下，錯(cuò)誤！錯(cuò)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(jī)器才能基于這些標(biāo)簽來(lái)學(xué)會(huì)歸類。一切皆可分類——基于興趣對(duì)用戶分類，基于語(yǔ)言和主題對(duì)文章分類（這對(duì)搜索引擎很重要），基于類型對(duì)音樂(lè)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(guò)濾。機(jī)器分別統(tǒng)計(jì)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(duì)結(jié)果求和——哈，機(jī)器就完成學(xué)習(xí)了。

后來(lái)，垃圾郵件制造者學(xué)會(huì)了如何應(yīng)對(duì)貝葉斯過(guò)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(gè)實(shí)用的算法而載入歷史，不過(guò)現(xiàn)在有其他算法來(lái)處理垃圾郵件過(guò)濾問(wèn)題。

再舉一個(gè)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(lái)是否會(huì)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(jī)器找到其中的模式并得出答案。找出答案并不成問(wèn)題，問(wèn)題在于銀行不能盲目相信機(jī)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(gè)應(yīng)急補(bǔ)丁，該怎么辦？

要處理這個(gè)問(wèn)題，我們需要用到?jīng)Q策樹（Decision Trees），所有數(shù)據(jù)自動(dòng)劃分為“是/否”式提問(wèn)——比如“借款人收入是否超過(guò)128.12美元？”——聽起來(lái)有點(diǎn)反人類。不過(guò)，機(jī)器生成這樣的問(wèn)題是為了在每個(gè)步驟中對(duì)數(shù)據(jù)進(jìn)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(diǎn)），問(wèn)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?。?！決策樹廣泛應(yīng)用于高責(zé)任場(chǎng)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(guò)，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(gè)我們后面再說(shuō)。

當(dāng)你在Google上搜索時(shí)，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?yàn)樗鼈冞\(yùn)行速度夠快。

按理說(shuō)，支持向量機(jī)（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(lái)分類：對(duì)圖片中的植物按形狀歸類，對(duì)文檔按類別歸類等。SVM背后的思想很簡(jiǎn)單——它試圖在數(shù)據(jù)點(diǎn)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(gè)非常有用的場(chǎng)景——異常檢測(cè)（anomaly detection），如果某個(gè)特征無(wú)法分配到所有類別上，我們就把它標(biāo)出來(lái)?，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(jì)算機(jī)會(huì)標(biāo)記檢測(cè)范圍內(nèi)所有的可疑區(qū)域或者偏差。股票市場(chǎng)使用它來(lái)檢測(cè)交易人的異常行為以此來(lái)找到內(nèi)鬼。在訓(xùn)練計(jì)算機(jī)分辨哪些事物是正確時(shí)，我們也自動(dòng)教會(huì)其識(shí)別哪些事物是錯(cuò)誤的。經(jīng)驗(yàn)法則（rule of thumb）表明，數(shù)據(jù)越復(fù)雜，算法就越復(fù)雜。對(duì)于文本、數(shù)字、表格這樣的數(shù)據(jù)，我會(huì)選擇經(jīng)典方法來(lái)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(duì)于圖片、視頻以及其他復(fù)雜的大數(shù)據(jù)，我肯定會(huì)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?lè)诸惼鳌，F(xiàn)在，從數(shù)百個(gè)預(yù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中挑選一個(gè)模型反而更容易。不過(guò)，垃圾郵件過(guò)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(lái)過(guò)濾評(píng)論中的垃圾信息的。

回歸（Regression）

“畫一條線穿過(guò)這些點(diǎn)，嗯~這就是機(jī)器學(xué)習(xí)”

回歸算法目前用于：

股票價(jià)格預(yù)測(cè)

供應(yīng)和銷售量分析

醫(yī)學(xué)診斷

計(jì)算時(shí)間序列相關(guān)性

常見的回歸算法有：

線性回歸（Linear Regression）

多項(xiàng)式回歸（Polynomial Regression）

“回歸”算法本質(zhì)上也是“分類”算法，只不過(guò)預(yù)測(cè)的是不是類別而是一個(gè)數(shù)值。比如根據(jù)行駛里程來(lái)預(yù)測(cè)車的價(jià)格，估算一天中不同時(shí)間的交通量，以及預(yù)測(cè)隨著公司發(fā)展供應(yīng)量的變化幅度等。處理和時(shí)間相關(guān)的任務(wù)時(shí)，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(gè)過(guò)程十分順暢——機(jī)器只是簡(jiǎn)單地嘗試畫出一條代表平均相關(guān)的線。不過(guò)，不同于一個(gè)拿著筆和白板的人，機(jī)器是通過(guò)計(jì)算每個(gè)點(diǎn)與線的平均間隔這樣的數(shù)學(xué)精確度來(lái)完成的這件事。

如果畫出來(lái)的是直線，那就是“線性回歸”，如果線是彎曲的，則是“多項(xiàng)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(gè)“害群之馬”忽悠了，它是分類算法，不是回歸。

不過(guò)，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(duì)象的類別外，還要記住對(duì)象有多么的接近該類別，這就引出了回歸問(wèn)題。

如果你想深入研究，可以閱讀文章《寫給人類的機(jī)器學(xué)習(xí)》［1］（強(qiáng)烈推薦）。

1.2 無(wú)監(jiān)督學(xué)習(xí)

無(wú)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(duì)較少，有時(shí)候僅僅是因?yàn)闆]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?jiǎng)?chuàng)建一個(gè)——比如說(shuō)“公共汽車分類器”，那我是不是要親自去街上拍上幾百萬(wàn)張?jiān)撍赖墓财嚨恼掌?，然后還得把這些圖片一一標(biāo)注出來(lái)？沒門，這會(huì)花費(fèi)我畢生時(shí)間，我在Steam上還有很多游戲沒玩呢。

這種情況下還是要對(duì)資本主義抱一點(diǎn)希望，得益于社會(huì)眾包機(jī)制，我們可以得到數(shù)百萬(wàn)便宜的勞動(dòng)力和服務(wù)。比如Mechanical Turk［2］，背后是一群隨時(shí)準(zhǔn)備為了獲得0.05美元報(bào)酬來(lái)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(wú)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(shí)踐。無(wú)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(guò)特殊訓(xùn)練的人給機(jī)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(lái)，你還是想從事數(shù)據(jù)科學(xué)工作的，對(duì)吧？

聚類（Clustering）

“機(jī)器會(huì)選擇最好的方式，基于一些未知的特征將事物區(qū)分開來(lái)。”

聚類算法目前用于：

市場(chǎng)細(xì)分（顧客類型，忠誠(chéng)度）

合并地圖上鄰近的點(diǎn)

圖像壓縮

分析和標(biāo)注新的數(shù)據(jù)

檢測(cè)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(lái)進(jìn)行類別劃分。好比你記不住所有襪子的顏色時(shí)照樣可以對(duì)襪子進(jìn)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(duì)象聚在一起并劃分到同一個(gè)類別。有的算法甚至支持設(shè)定每個(gè)簇中數(shù)據(jù)點(diǎn)的確切數(shù)量。

這里有個(gè)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(shí)，聚類引擎將它們分組后用帶數(shù)字的氣泡展示出來(lái)。不這么做的話，瀏覽器會(huì)卡住——因?yàn)樗噲D將這個(gè)時(shí)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(guò)搜索照片中的人臉來(lái)創(chuàng)建你朋友們的相冊(cè)。應(yīng)用程序并不知道你有多少朋友以及他們的長(zhǎng)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(gè)常見的應(yīng)用場(chǎng)景是圖片壓縮。當(dāng)圖片保存為PNG格式時(shí)，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(jì)算出“平均紅色”，再將這個(gè)均值賦給所有的紅色像素點(diǎn)上。顏色更少，文件更小——?jiǎng)澦?！但是，遇到諸如藍(lán)綠這樣的顏色時(shí)就麻煩了。這是綠色還是藍(lán)色？此時(shí)就需要K-Means算法出場(chǎng)啦。先隨機(jī)從色彩中選出32個(gè)色點(diǎn)作為“簇心”，剩余的點(diǎn)按照最近的簇心進(jìn)行標(biāo)記。這樣我們就得到了圍繞著32個(gè)色點(diǎn)的“星團(tuán)”。接著我們把簇心移動(dòng)到“星團(tuán)”的中心，然后重復(fù)上述步驟知道簇心不再移動(dòng)為止。

完工。剛好聚成32個(gè)穩(wěn)定的簇形。

給大家看一個(gè)現(xiàn)實(shí)生活中的例子：

尋找簇心這種方法很方便，不過(guò)，現(xiàn)實(shí)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(huì)很奇怪，甚至是嵌套的。甚至你都不知道會(huì)有多少個(gè)簇，10個(gè)？100個(gè)？

K-means算法在這里就派不上用場(chǎng)了，但是DBSCAN算法用得上。我們把數(shù)據(jù)點(diǎn)比作廣場(chǎng)上的人，找到任何相互靠近的3個(gè)人請(qǐng)他們手拉手。接下來(lái)告訴他們抓住能夠到的鄰居的手（整個(gè)過(guò)程人的站立位置不能動(dòng)），重復(fù)這個(gè)步驟，直到新的鄰居加入進(jìn)來(lái)。這樣我們就得到了第一個(gè)簇，重復(fù)上述過(guò)程直到每個(gè)人都被分配到簇，搞定。

一個(gè)意外收獲：一個(gè)沒有人牽手的人——異常數(shù)據(jù)點(diǎn)。

整個(gè)過(guò)程看起來(lái)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(lái)檢測(cè)異常。用戶登陸之后的有不正常的操作？讓機(jī)器暫時(shí)禁用他的賬戶，然后創(chuàng)建一個(gè)工單讓技術(shù)支持人員檢查下是什么情況。說(shuō)不定對(duì)方是個(gè)“機(jī)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(jī)器來(lái)決定對(duì)方是否是個(gè)“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(jí)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(shí)別

風(fēng)險(xiǎn)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(yǔ)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(huì)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(shí)，他們迫使機(jī)器來(lái)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(duì)人們來(lái)說(shuō)，相對(duì)于一大堆碎片化的特征，抽象化的概念更加方便。舉個(gè)例子，我們把擁有三角形的耳朵、長(zhǎng)長(zhǎng)的鼻子以及大尾巴的狗組合出“牧羊犬”這個(gè)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(duì)于需要命名和解釋的場(chǎng)景時(shí)更加有用。作為獎(jiǎng)勵(lì)，這類“抽象的”模型學(xué)習(xí)速度更快，訓(xùn)練時(shí)用到的特征數(shù)量也更少，同時(shí)還減少了過(guò)擬合。

這些算法在“主題建?！钡娜蝿?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(yǔ)義分析（LSA）就是搞這個(gè)事情的，LSA基于在某個(gè)主題上你能看到的特定單詞的頻次。比如說(shuō)，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(lái)創(chuàng)建聚類，但是這么做就會(huì)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(gè)問(wèn)題，所以才會(huì)被叫做“潛在語(yǔ)義”（latent semantic）。

因此，需要把單詞和文檔連接組合成一個(gè)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(gè)問(wèn)題。那些有用的主題簇很容易從聚在一起的詞組中看出來(lái)。

推薦系統(tǒng)和協(xié)同過(guò)濾是另一個(gè)高頻使用降維算法的領(lǐng)域。如果你用它從用戶的評(píng)分中提煉信息，你就會(huì)得到一個(gè)很棒的系統(tǒng)來(lái)推薦電影、音樂(lè)、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(shí)代的枕邊書。

要完全理解這種機(jī)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(píng)分這樣的信息，機(jī)器就能找出這些高等級(jí)的概念，甚至不用去理解它們。干得漂亮，電腦先生。現(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(cè)銷售和折扣

分析“一起購(gòu)買”的商品

規(guī)劃商品陳列

分析網(wǎng)頁(yè)瀏覽模式

常用的算法：

Apriori

Euclat

FP-growth

用來(lái)分析購(gòu)物車、自動(dòng)化營(yíng)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(gè)物品序列中發(fā)現(xiàn)一些模式，試試它們吧。

比如說(shuō)，一位顧客拿著一提六瓶裝的啤酒去收銀臺(tái)。我們應(yīng)該在結(jié)賬的路上擺放花生嗎？人們同時(shí)購(gòu)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(lái)預(yù)測(cè)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(lái)利潤(rùn)的大幅增長(zhǎng)？

這個(gè)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(jī)器學(xué)習(xí)的范疇內(nèi)似乎很少提及。經(jīng)典方法是在對(duì)所有購(gòu)買的商品進(jìn)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(shí)世界中，每個(gè)大型零售商都會(huì)建立了自己專屬的解決方案，所以這里不會(huì)為你帶來(lái)革命。本文提及的最高水平的技術(shù)就是推薦系統(tǒng)。不過(guò)，我可能沒意識(shí)到這方面有什么突破。如果你有什么想分享的，請(qǐng)?jiān)谠u(píng)論中告訴我。

編輯：lyn