關于機器學習你了解多少

圖1. 機器學習的基本過程

訓練集（Training Set）：為了研究一個變量（x）與另一個變量（y）的關系，而通過觀察、測量等方式獲得的一組數(shù)據(jù)。這組數(shù)據(jù)中收集了x和與之對應的y——一個數(shù)據(jù)對（x， y）。例如我們要研究房屋面積（x）和售價（y）之間的關系，每觀察一套已出售的房屋，就得到一個數(shù)據(jù)對（x， y）。觀察10套已出售的房屋，就可以得到10個這樣的數(shù)據(jù)對，這時就得到了一個用來研究房屋面積和售價之間的關系的訓練集了（雖然樣本量比較小）。這些數(shù)據(jù)集一般采集自現(xiàn)實環(huán)境中，屬于現(xiàn)象（我們的目的是透過現(xiàn)象看本質）。

樣本（Sample）：訓練集中采集數(shù)據(jù)的對象就是一個樣本，例如一套已出售的房屋。

模型（Model）：由于某些歷史原因，機器學習中的模型也被叫做假設（hypothesis， h），這個h就是我們透過現(xiàn)象想要尋找的“本質”。建立模型的過程通常就是確定一個函數(shù)表達式的過程（是否還記得寒假作業(yè)中的這類題目：觀察一組數(shù)，寫出下一個數(shù)是什么？）。最常見的模型是回歸模型（線性回歸或邏輯回歸等），例如我們假設房屋面積與售價之間的關系是一個線性回歸模型，則可以寫成： h（θ）=θ0+θ1x…（1）h（θ）=θ0+θ1x…（1） 其中h是函數(shù)（可能更習慣叫做y，但在機器學習中y一般表示已知的函數(shù)值，即后面的因變量；這里的h相當于預測得到的y），θ是函數(shù)的參數(shù)（也可以看做是每個自變量的權重，權重越大，對y的影響也越大），x是自變量。

訓練模型（Training Model）：選定模型（選擇合適的模型需要豐富的經(jīng)驗）后，函數(shù)的一般形式就確定了。通常所說的訓練模型是指利用訓練集求解函數(shù)的待定參數(shù)的過程。上面的（1）式與直線方程的一般形式y(tǒng) = ax + b是相同的，這里不過換了一種寫法。此時我們知道模型是一條直線，為了確定這條直線的確定方程，我們需要求出兩個未知的參數(shù)——θ0（截距）和θ1（斜率），如果訓練集中只有兩個樣本，那就只是求一個二元二次方程組就解決問題了。

特征（Feature）：特征就是在一個模型中，所有想研究的自變量（x）的集合。例如我們在研究房屋售價的模型中，所有可能影響售價的因素都可以看成是一個特征，房屋面積、所在城市、房間個數(shù)等。在建立模型的過程中，特征的選擇是一個大學問，甚至有專門的分支來研究特征選擇或特征表示。

上面提到過，訓練集就是許多的（x， y）數(shù)據(jù)對的集合。其中x是因變量，y是自變量。通常認為x的變化引起了y的改變，即x的值決定了y的值。在預測房屋價格的模型中，假如我們能找到所有影響房屋價格的因素（所有的x），并且確定各個因素準確的參數(shù)（θ），那么理論上可以準確的預測出任何房屋的價格（y）。

2.1 單因素訓練集中自變量的表示方法

單因素相當于方程中只有一個自變量，這個自變量可以用一個小寫字母x來表示；

如果收集了多個樣本，則通過在右上角添加帶括號的角標的方式區(qū)分，表示為x（1）， x（2）， 。。.， x（m），其中m表示樣本的個數(shù)；

矩陣的表示：向量一般用小寫字母表示，矩陣用大寫字母表示。所有單因素樣本中的x可以用一個m x 1（m行1列）的列向量x（小寫字母）（只有一列的矩陣就是一個列向量）來表示： ???????x=（x（1）x（2）?x（m））

2.2 多因素訓練集中自變量的表示方法

多因素相當于方程中有多個自變量（多個feature），不同的自變量之間使用右下角添加不帶括號的角標來區(qū)分，表示為x1， x2， 。。.， xn，其中n表示feature的個數(shù)；

當存在多個樣本時，可以用一個m x n（m行n列）的矩陣X（大寫字母）來表示： ?????????X=［x1（1）x2（1）…xn（1）x1（2）x2（2）…xn（2）????x1（m）x2（m）…xn（m）］

2.3 訓練集中因變量的表示方法

無論是單因素還是多因素，每一個樣本中都只包含一個因變量（y），因此只需要區(qū)分不同樣本間的y，y（1）， y（2）， 。。.， y（m），其中m表示樣本的個數(shù)；

用列向量y表示為：

???????y=（y（1）y（2）?y（m））

也許是某種約定，在機器學習中，一般都是用θ來表示參數(shù)，參數(shù)是自變量X的參數(shù)（也可以看做是每個自變量的權重，權重越大的自變量對y的影響也越大），理論上，有多少個自變量就有多少個參數(shù)，但就像在直線方程y = ax + b中表現(xiàn)出來的那樣，除了x的參數(shù)a，還有一個常數(shù)項b。因此參數(shù)一般比自變量的個數(shù)多一個，當有n個自變量的時候，會有n+1個參數(shù)。

最終的模型是由一個特定的方程來表示的，在訓練模型的過程中，確定了這個方程中的未知參數(shù)。這些參數(shù)對于所有的樣本都是相同的，例如第一個樣本x（1）中的第一個自變量x1的參數(shù)與任意其他樣本x（i）中第一個自變量x1的參數(shù)是相同的。因此不用區(qū)分樣本間的參數(shù)，只用區(qū)分不同自變量之間的參數(shù)，可以使用一個n+1維的列向量θ來表示所有的參數(shù)：

??????θ=（θ0θ1?θn）

這里說的模型就是一個特定的函數(shù)，上面已經(jīng)提過，模型一般使用h來表示。下面用線性回歸模型來舉例說明模型的符號表示。

4.1 直接表示

直接表示方法是我們在沒有學習線性代數(shù)之前的代數(shù)表示方式。

單變量線性回歸方程： hθ（x）=θ0+θ1xhθ（x）=θ0+θ1x

多變量線性回歸方程： nhθ（x）=θ0+θ1x1+θ2x2+θ3x3+…+θnxn

4.2 矩陣表示

學習了線性代數(shù)后，可以使用矩陣來表示上面的方程，不僅表示起來方便，直接進行矩陣運算效率也更高效。在這里需要特別說明的一點是，為了配合矩陣的表示，在上面的方程中添加了x0，并且x0=1，且將θ0作為x0的參數(shù)。

單變量/多變量線性回歸方程： ??????hθ（x）=Xθ=［x0（1）x1（1）…xn（1）x0（2）x1（2）…xn（2）????x0（m）x1（m）…xn（m）］［θ0θ1?θn］ ，此時X是一個m x （n+1）的矩陣，每一行表示一個樣本，每一列表示一個特征，結果是一個m x 1的列向量，其中m表示樣本的個數(shù)，n表示變量的個數(shù)（X中的每一列具有同樣的參數(shù)，一列表示在不同的樣本中同一個特征的取值）；

當只有一個樣本多個變量時，還可以表示為： ??????hθ（x）=θTx=［θ0θ1…θn］［x0x1?xn］ ，此時x是一個（n+1）維的列向量，每一行表示一個變量的值。