编程语言
首页 > 编程语言> > Python机器学习-多元分类的5种模型

Python机器学习-多元分类的5种模型

作者:互联网

Python机器学习-多元分类的5种模型

最近上了些机器学习的课程,于是想透过Kaggle资料集来练习整个资料科学专案的流程,在模型训练阶段,虽然听过许多分类模型,但不是很了解其各别的优缺点与适合的使用时机,所以想来整理一篇文章,统整上课学习与网路资料,作为后续专案的优化方向!

首先,机器学习主要分为「监督式学习」与「非监督式学习」,两者的差异在于资料是否有「标签」。

监督式学习(Supervised Learning):给予「有标签」的资料,举例来说:给机器一堆苹果和橘子的照片,并说明哪些是苹果、哪些是橘子,再拿一张新的照片询问机器这是苹果还是橘子,而监督式学习又可分为回归(Regression)和分类(Classification)。

非监督式学习(Unsupervised Learning):给予「无标签」的资料,让机器找出潜在的规则,举例来说:给予机器一堆苹果和橘子的照片,但没有告诉机器这些照片各别是哪种水果,让机器自行找到资料间的相似性,而非监督式学习又可分为分群(Clustering)和降维(Dimension Reduction)。

这篇文章会以监督式学习中的分类模型为主。

一、逻辑回归(Logistic Regression)

逻辑回归是个二元分类(Binary Classification)的模型,并有其对应的机率值,举例:明天会下雨的机率有90%。

基本概念是利用线性回归线(Linear Regression Line),将资料分为A/B两类,再透过Sigmoid Function (or Logistic Function) 输出A类别的机率值(0~1),若机率>0.5则判断为A类别,因为是二元分类,所以当机率<0.5则被归类为B类别。

若需处理多元分类问题,有两种方法:
1. One versus Rest (or One versus All):将每个分类与其他剩余的资料做比较,若有N个类别,就需要N个二元分类器。以下方图例来说明,若有类别1~3,每次各使用一个类别与剩余的两个类别作二元分类后,会得到三个分类器,预测时把资料放到三个分类器中,看哪个分类器的分数较高,就判断为该类别。

One versus Rest Example

One versus Rest Example (Source from Internet)

2. One versus One:每次选择两个类别做分类,若有N个类别,就会有N*(N-1)/2个分类器,将每次分类的结果做投票,最后判断为票数最高的那个类别。举下方图例来说,有三个类别,会有三组分类器,最后新资料会判断为票数较高的类别1。

One versus One Example

One versus One Example (Source from Internet)

Logistic Regression的优点:
◆ 资料线性可分(包含在高维度空间找到linear plane)
◆ 除了分类,也可以得到A/B两类的机率
◆ 执行速度较快

Logistic Regression的缺点:
◆ 线性回归线的切法可能不够漂亮
◆ 不能很好地处理大量、多类特征

二、 支持向量机( 支持向量机,SVM)

支持向量机(Support Vector Machine)是在寻找一个超平面(Hyper-plane)来做分类,并使两个类别之间的边界距离最大化(会忽略异常点Outlier)。

SVM也可使用于非线性分类(如下图B),透过Kernels functions将低维空间转换为高维空间,让资料可以在高维空间被线性分类。想像红色球的重量比蓝色球还重,在平面上一拍,让球往上弹,重量重的红色球会较快落下,在立体空间就可以找出个平面来切分红色和蓝色球。

Support Vector Machine Example

Support Vector Machine Example (Source from Internet)

SVM的优点:
◆ 切出来的线或平面很漂亮,拥有最大边界距离(margin)
◆ 在高维空间可以使用(即使维度数大于样本数也有效)
◆ 在资料量较小、非线性、高维度与局部最小点等情况下有相对的优势

SVM的缺点:
◆ 当资料太多时,所需的训练时间太长,而使效果不佳
◆ 当资料集有太多noise时(如目标类别有重叠),预测的效果也会不好
◆ SVM不会直接提供机率的估计值

三、决策树(Decision Tree)

透过模型预测可以得知某个方程式来做分类,但方程式可能很难懂或很难解释,这时需要决策树(Decision Tree),它的准确性可能没有很精准,但「解释性」高,所以决策树是一种条件式的分类器,以树状结构来处理分类问题。

建构决策树的方式,是将整个资料集依据某个特征分为数个子资料集,再从子资料集依据某个特征,分为更小的资料集,直到子资料集都是同一个类别的资料,而该如何分类则是透过资讯熵(Entropy)和资讯增益(Information Gain)来决定。

1. 资讯熵(Entropy):用来衡量资料的不纯度,若资料为同一类Entropy=0,若资料「等分」成不同类别Entropy=1。

2. 资讯增益(Information Gain):用来衡量某个特征对于资料分类的能力,而建构决策树就是要找到具有最高资讯增益的分类法(得到纯度最高的分支)。简单来说,原本的资料集(High Entropy=E1),经过分类,得到多个资料集(Low Entropy=E2),其中的E1-E2=Information Gain。

Decision Tree的优点:
◆ 决策树容易理解和解释
◆ 资料分类不需要太多的计算
◆ 可以处理连续值和离散值
◆ 资料准备相对比较容易
(不需要做特征标准化、可以处理合理的缺失值、不受异常值的影响)
◆ 因为解释性高,能用在决策分析中,找到一个最可能达到目标的策略

Decision Tree的缺点: **
**◆ 容易过度拟合(Over-fitting)
◆ 若类别太多,但资料量太少,效果比较差

四、随机森林(Random Forest)

随机森林,是取部分特征与部分资料产生决策树,每重复此步骤,会再产生一颗决策树,最后再进行多数决投票产生最终结果。

随机森林可以降低决策树有过拟合的问题,因为最终结果是对所有的决策树结果进行投票,进而消除了单棵决策树的偏差。

Random Forest Example

Random Forest Example (Source from Internet)

Random Forest的优点:
◆ 随机森林的决策树够多,分类器就不会过拟合
◆ 每棵树会用到的资料和特征是随机决定的
◆ 训练或预测时每棵树都能平行化的运行

Random Forest的缺点: **
**◆ 当随机森林中的决策树个数很多时,训练时需要的空间和时间会比较大

五、极限梯度提升(eXtreme Gradient Boosting, XGBoost)

其实会想写这篇文章,是因为在使用Kaggle资料做练习时,发现网站上有需多人使用XGBClassifier做分类预测,因此想进一步了解这个模型。

XGBoost的两个主要概念:

1. 回归树(Classification and Regression Tree, CART)
回归树拥有和决策树一样的分支方式,并在各个叶端(Leaf)有一个预测分数(Prediction Score),且回归树是可以做集成的,也就是把资料丢到所有树中,把得到的预测分数加总。

2. 梯度提升
先以常数作为预测,在之后每次预测时新加入一个学习参数,要找出最佳参数,是在每次迭代中,使用贪婪演算法计算Gain,并找出最佳分支做新增,并对负Gain的分支做删减(详细请参考文章1说明)。换句话说,就是「希望后面生成的树,能够修正前面一棵树犯错的地方」。

Random Forest 和XGBoost 差异如下图例:
Random Forest是由多个决策树所组成,但最终分类结果并未经过加权平均;而XGBoost是由连续的决策树所建构,从错误的分类中学习,并在后续的决策树中增加更高的权重。

Random Forest and XGBoost Difference

Random Forest and XGBoost Difference (Reference: 參考文章3)

XGBoost的优点:
◆ 在损失函数中加入正则项,控制模型的复杂度,防止过拟合现象
◆ 在每次迭代后,会将叶子节点的权重乘上该系数,来削弱每棵树的影响

XGBoost的缺点: **
**◆ 空间复杂度过高,需要储存特征值和特征对应样本的梯度统计值

以上是5个机器学习常见的分类模型,整理基本的原理和概念,除了了解个别的差异外,也可以运用在自己的专案做尝试!

参考文章:
1. 【机器学习懒人包】从数据分析到模型整合,各种好用的演算法全都整理给你啦!
2. 机器学习— Gradient Boosting (1)
3. 建筑元素几何级别(LOG)分类的集成学习方法

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明

本文链接:https://www.qanswer.top/11952/38070409

标签:Python,模型,分类,多元,分类器,资料,类别,资料集,决策树
来源: https://www.cnblogs.com/amboke/p/16654313.html