未加星标

将应用机器学习转化为求解搜索问题机器学习

字体大小 | |
[商业智能 所属分类 商业智能 | 发布者 店小二03 | 时间 | 作者 红领巾 ] 0人收藏点击收藏

将应用机器学习转化为求解搜索问题机器学习
算法
将应用机器学习转化为求解搜索问题机器学习
模型
将应用机器学习转化为求解搜索问题机器学习
基础
将应用机器学习转化为求解搜索问题机器学习
机器学习
将应用机器学习转化为求解搜索问题机器学习
框架
将应用机器学习转化为求解搜索问题机器学习
函数

由于针对某一特定问题设计一套完美的智能系统难以控制,所以机器学习的实际应用极具挑战。


实际生产中并没有完全适用于你的问题的训练集和算法,一切都等你自己去发现。


我们较好将机器学习应用看成针对特定项目的已知知识和可用资源寻找输入到输出的较佳映射的搜索问题。


在本文中,你将会学到如何将机器学习应用于搜索问题。


读完本文,你将知道:

应用机器学习就是优化/逼近一个从输入到输出的未知基础映射函数的问题。

数据集和算法的选择等设计决策会缩小最终可能选择的映射函数的范围。

将机器学习概念化为搜索问题的思想有助于合理使用模型集成、对算法进行抽样检查以及理解算法的学习过程。


我们开始吧。


概述

本文共计 5 个部分;分别是:

1. 函数逼近问题

2. 搜索问题的近似函数

3. 数据集的选择

4. 算法的选择

5. 将机器学习转化为搜索问题的意义


函数逼近问题

机器学习的应用就是智能系统解决特定可学习问题的发展。


可学习问题的主要特征包括由输入数据和输出数据的集合以及两者之间的未知的相关关系。


可学习系统的目标是学习输入和输出数据之间的通用映射,以便可以对从输出变量未知的领域抽取的新实例进行准确预测。


在统计学习中,从机器学习的统计角度来看,该问题可被定义对给定输入数据(X)和相关输出数据(y)的映射函数(f)的学习。


我们有一个 X 和 y 的例子,而且也会努力想出一个逼近 f 的函数,例如 *fprime,*如此我们以后就可以基于新样本 (Xhat) 得出新的预测 (yhat)。


如此一来,我们可以将应用机器学习问题看作一个寻找近似函数的问题。



将应用机器学习转化为求解搜索问题机器学习

学习到的映射是近似的。


设计和开发机器学习系统是一个找到将输入变量映射到输出变量的未知基础函数的有用近似的问题。


我们完全不知道这个函数的形式,因为如果知道的话,还要机器学习系统干嘛?我们完全可以直接求解。


因为我们不知道真正的函数是什么,我们必须去逼近它。这意味着我们不知道,也许永远不会知道机器学习系统的近似函数与真实映射函数的接近程度。


搜索问题的近似函数

找到一个足以适合我们的要求的且逼近真实构成函数的函数。


学习过程中会遇到很多噪音导致的错误,并因此得到没什么用的的的映射函数。例如:


机器学习问题的框架选择

用于训练的资料选择

预处理数据集的方法选择

预测模型的表征形式选择

让模型拟合训练数据的合适学习算法的选择

评测模型的预测能力的性能指标的选择


还有很多。


你可以看到在机器学习系统的发展历程中有很多决策点,在此之前它们的答案都是未知的。


对于一个机器学习问题对应的所有可能解决方案,我们可以把它看作一个大的搜索空间。其中的每一个决策点都可以缩小搜索范围。


将应用机器学习转化为求解搜索问题机器学习

从输入到输出的所有可能的映射函数的搜索空间。


例如,如果某个问题就是预测花的种类,那么我们可以通过如下步骤从海量解决方案中筛选出一个可能的机器学习系统:


选择将问题设定为预测物种的类别标签,例如,分类。

选择给定物种及其相关子类的花的分辨指标。

选择在一个特定的苗圃对花进行测量,以收集训练数据。

选择一个决策树模型,以便整个预测模型可以阐述给项目经理听。

选择一个 CART 算法拟合决策树模型。

选择分类准确率标准评估模型的预测能力。


等等。


在一个机器学习系统的完善过程中你可能看到很多决策都有自然的层级结构。其中每一个决策都可以缩小我们将要建造的学习系统的范围。


这个缩小过程引入了重要的倾向性,有意识地选择可能的学习系统的一个子集而非其它子集,目的是得到我们可以在实践中使用的有用映射函数。这种倾向既适用于问题框架的顶层,也适用于低层,如机器学习算法或算法配置的选择。


选择数据集

选择学习问题的框架和用于训练系统的数据是开发机器学习系统的一个重要因素。


你不能使用所有的数据:所有的输入和输出都成对儿出现。如果你这样做了,就不需要一个预测模型预测新输入的输出值了。


你需要一些输入-输出对数据集。如果没有,你拿什么训练预测模型?


但是你可能有大量的数据,你只需挑选部分用于训练。亦或你可以随意生成大量数据,的挑战就是生成或收集的数据的种类和数量。


你选择的用来建立学习系统模型的数据必须充分捕获可用数据的输入和输出数据之间的关系,以及该模型将来可能预测的数据之间的关系。


将应用机器学习转化为求解搜索问题机器学习

从一个问题的所有数据中选择训练数据


选择算法

你必须选择模型的表征形式以及用于拟合训练数据的算法。这同样是开发机器学习系统中的一个重要因素。


将应用机器学习转化为求解搜索问题机器学习

从一个问题的所有可能算法中选择一个算法

这个决策通常被简化为算法的选择,尽管项目经理经常对项目追加要求,例如模型能够解释预测,而预测又反过来对最终模型表示形式施加约束,最后反过来影响你可以搜索的映射范围。


将应用机器学习转化为求解搜索问题机器学习

选择一个从输入到输出的映射函数的逼近函数的影响


将机器学习转为搜索问题的意义


这种将学习系统转为搜索问题的概念化有助于清楚地表明应用机器学习中的许多相关问题。


这节有以下几点。


迭代学习算法

用于学习映射关系的算法将会强加更多约束,随着算法配置的选定,它将控制候选映射函数的空间指导拟合模型的方式(例如,迭代学习的机器学习算法)


此处,我们可以看出通过机器学习算法从训练集中学到的信息可以对学习系统可能的映射函数空间进行有效指导,较好是挑选的映射函数越来越好。(例如,爬山算法)


将应用机器学习转化为求解搜索问题机器学习

学习算法在训练集上迭代更新的影响


这为优化算法在机器学习算法中的核心作用提供了一个概念上的理论基础,以较大限度地获取特定训练数据的模型表征。


模型集成的原理

我们同样发现在所有可能的函数映射上的不同位置可以得到不同的模型表征,这些模型自然也都表现出不同的预测行为(例如,不相关的预测错误)。


这就使得整合不同的但是有效的预测模型的方法在概念上可行。



将应用机器学习转化为求解搜索问题机器学习

组合多个最终模型进行预测的解释


抽样检查的原理

不同表征方式的不同算法可能在函数映射空间中的不同位置开始,并以不同的方式指导搜索。


如果都是在选定框架和良好的数据集下的约束空间内进行搜索的,那么大部分的算法都可能会发现好的或类似的映射函数。


我们可以看到一个好的框架以及精心挑选的数据集是如何找出候选函数映射空间的,这可以通过一套强大的机器学习算法找到。


这为在给定的机器学习问题上检查一组算法,并进一步简化最有希望的算法或选择最节省的解决方案(例如奥卡姆剃刀)提供了理论基础。


欢迎加入本站公开兴趣群

商业智能与数据分析群

兴趣范围包括各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识

QQ群:418451831

tags: 学习,算法,映射,函数,机器,模型,选择,数据,搜索,输出,输入,训练
分页:12
转载请注明
本文标题:将应用机器学习转化为求解搜索问题机器学习
本站链接:https://www.codesec.net/view/570592.html


1.凡CodeSecTeam转载的文章,均出自其它媒体或其他官网介绍,目的在于传递更多的信息,并不代表本站赞同其观点和其真实性负责;
2.转载的文章仅代表原创作者观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,本站对该文以及其中全部或者部分内容、文字的真实性、完整性、及时性,不作出任何保证或承若;
3.如本站转载稿涉及版权等问题,请作者及时联系本站,我们会及时处理。
登录后可拥有收藏文章、关注作者等权限...
技术大类 技术大类 | 商业智能 | 评论(0) | 阅读(136)