BAT大牛教你：怎樣透徹的掌握一門機器學習算法

機器學習算法都是一個個復雜的體系，需要通過研究來理解。學習算法的靜態(tài)描述是一個好的開始，但是這并不足以使我們理解算法的行為，我們需要在動態(tài)中來理解算法。

機器學習算法

機器學習算法的運行實驗，會使你對于不同類型問題得出的實驗結(jié)論，并對實驗結(jié)論與算法參數(shù)兩者的因果關(guān)系有一個直觀認識。在這篇文章中，你將會知道怎么研究學習一個機器學習算法。你將會學到5個簡單步驟，你可以用來設計和完成你的第一個機器學習算法實驗，你會發(fā)現(xiàn)機器學習實驗不光是學者們的專利，你也可以;你也會知道實驗是通往精通的必經(jīng)之路，因為你可以從經(jīng)驗中學到因果關(guān)系的知識，這是其它地方學不到的。

什么是研究機器學習算法

當研究一個機器學習算法的時候，你的目標是找到可得到好結(jié)果的機器算法行為，這些結(jié)果是可以推廣到多個問題或者多個類型的問題上。你通過對算法狀態(tài)做系統(tǒng)研究來研究學習機器學習算法。這項工作通過設計和運行可控實驗來完成。一旦你完成了一項實驗，你可以對結(jié)論作出解釋和提交。這些結(jié)論會讓你得以管窺在算法變化中因果關(guān)系。這就是算法行為和你獲得的結(jié)論間的關(guān)系。

怎樣研究學習機器學習算法

在這一部分，我們將學到5個簡單的步驟，你可以通過它來研究學習一個機器算法

1.選擇一個算法

選擇一個你有疑問的算法，這個算法可能是你正在某個問題上應用的，或者你發(fā)現(xiàn)在其他環(huán)境中表現(xiàn)很好，將來你想使用，就實驗的意圖來說，使用現(xiàn)成的算法是有幫助的。這會給你一個底線：存在bug幾率最低。自己實現(xiàn)一個算法可能是了解算法過程的一個好的方式，但是，實驗期間，會引入額外的變量，比如bug，和大量必須為算法所做的微觀決策。歡迎加入大數(shù)據(jù)學習交流分享群： 658558542   一起吹水交流學習（?點擊即可加入群聊）

2.確定一個問題

你必須有一個你試圖尋找答案的研究問題。問題越明確，問題越有用。給出的示例問題包括以下幾個方面：

KNN算法中，作為樣本空間中的一部分的K值在增大時有什么影響?

在SVM算法中，選擇不同的核函數(shù)在二分類問題上有什么影響 ?

在二分類問題中，邏輯回歸上的不同參數(shù)的縮放有什么影響 ?

在隨機森林模型中，在訓練集上增加任意屬性對在分類準確性上有什么影響?

針對算法，設計你想回答的問題。仔細考慮，然后列出5個逐漸演變的問題，并且深入推敲那個最精確的。

3.設計實驗

從你的問題中挑選出關(guān)鍵元素然后組成你的實驗內(nèi)容。 例如，拿上面的示例問題為例：“二元分類問題中邏輯回歸上的不同的參數(shù)縮放有什么影響?”

你從這個問題中挑出來用來設計實驗的元素是：

屬性縮放法：你可以采用像正態(tài)化、標準化，將某一屬性提升至乘方、取對數(shù)等方法

邏輯回歸：你想使用哪種已經(jīng)實現(xiàn)的邏輯回歸。

二元分類問題：存在數(shù)值屬性不同的二分類問題標準。需要準備多種問題，其中一些問題的規(guī)模是相同的(像電離層)，然而其他一些問題的屬性有不同的縮放值(像糖尿病問題)。

性能： 類似分類準確性的模型性能分數(shù)是需要的

花時間仔細挑選你問題中的組成元素以便為你的問題給出最佳解答。歡迎加入大數(shù)據(jù)學習交流分享群： 658558542   一起吹水交流學習（?點擊即可加入群聊）

4. 進行試驗并且報告你的結(jié)論

完成你的實驗，如果算法是隨機的，你需要多次重復實驗操作并且記錄一個平均數(shù)和標準偏差；如果你試圖尋找在不同實驗(比如帶有不同的參數(shù))之間結(jié)果的差異，你可能想要使用一種統(tǒng)計工具來標明差異是否統(tǒng)計上顯著的(就像學生的t檢驗)，一些工具像R和scikit-learn/SciPy完成這些類型的實驗，但是你需要把它們組合在一起，并且為實驗寫腳本。其他工具像Weka帶有圖形用戶界面，你所使用的工具不要影響問題和你實驗設計的嚴密，總結(jié)你的實驗結(jié)論。你可能想使用圖表。單獨呈現(xiàn)結(jié)果是不夠的，他們只是數(shù)字。你必須將數(shù)字和問題聯(lián)系起來，并且通過你的實驗設計提取出它們的意義

對實驗問題來說，實驗結(jié)果又暗示著什么呢?

保持懷疑的態(tài)度。你的結(jié)論上有留什么樣的漏洞和局限呢。不要逃避這一部分。知道局限性和知道實驗結(jié)果一樣重要。

5. 重復

重復操作

繼續(xù)研究你選擇的算法。你甚至想要重復帶有不同參數(shù)或者不同的測試數(shù)據(jù)集的同一個實驗。你可能想要處理你試驗中的局限性，不要只停留在一個算法上，開始建立知識體系和對算法的直覺通過使用一些簡單工具，提出好的問題，保持嚴謹和懷疑的態(tài)度，你對機器算法行為的理解很快就會到達世界級的水平研究學習算法不僅僅是學者才能做的你也可以學習研究機器學習算法。

你不需要一個很高的學位，你不需要用研究的方式訓練，你也不需要成為一名學者，對每個擁有計算機和濃厚興趣的人來說，機器學習算法的系統(tǒng)研究學習是開放的。事實上，如果你主修機器學習，你一定會適應機器學習算法的系統(tǒng)研究。知識根本不會自己出來，你需要靠自己的經(jīng)驗去得到

當談論你的發(fā)現(xiàn)的適用性時，你需要保持懷疑和謹慎，你不一定提出獨一無二的問題。通過研究一般的問題，你也將會收獲很多，例如根據(jù)一些一般的標準數(shù)據(jù)集總結(jié)出一個參數(shù)的普遍影響。你保不住會發(fā)現(xiàn)某些具有最優(yōu)方法的常例的局限性甚至反例。

行動步驟

通過可控實驗你知道了研究學習機器學習算法行為的重要性。你掌握了簡單的5個步驟，你可以在一個機器學習算法上設計和運行你的第一項實驗采取行動。使用你在這篇博文中學到的步驟，來完成你的第一個機器學習實驗。一旦你完成了一個，甚至是很小的一個，你將會獲得自信，工具、能力來完成第二個以及更多。

結(jié)語

感謝您的觀看，如有不足之處，歡迎批評指正。

如果有對大數(shù)據(jù)感興趣的小伙伴或者是從事大數(shù)據(jù)的老司機可以加群：

658558542    （?點擊即可加入群聊）

里面整理了一大份學習資料，全都是些干貨，包括大數(shù)據(jù)技術(shù)入門，海量數(shù)據(jù)高級分析語言，海量數(shù)據(jù)存儲分布式存儲，以及海量數(shù)據(jù)分析分布式計算等部分，送給每一位大數(shù)據(jù)小伙伴，這里不止是小白聚集地，還有大牛在線解答！歡迎初學和進階中的小伙伴一起進群學習交流，共同進步！

最后祝福所有遇到瓶頸的大數(shù)據(jù)程序員們突破自己，祝福大家在往后的工作與面試中一切順利。