boost-机器学习与深度学习入门-黄海广博士整理PPT
合集下载
《机器学习》ppt课件完整版
软间隔与正则化
为了处理噪声和异常值， 可以引入软间隔，并通过 正则化参数来平衡间隔最 大化和误分类点的惩罚。
决策树与随机森林
决策树 一种易于理解和实现的分类与回归算法， 通过递归地划分特征空间来构建树形结
构。
随机森林
一种集成学习方法，通过构建多棵决 策树并结合它们的输出来提高模型的
泛化性能。
剪枝
为了避免决策树过拟合，可以采用剪 枝技术来简化树结构，包括预剪枝和 后剪枝。
特征重要性
随机森林可以计算每个特征的重要性 得分，用于特征选择和解释模型。
集成学习方法
Bagging
通过自助采样法（bootstrap sampling）生成多个数据集，然 后对每个数据集训练一个基学习 器，最后将所有基学习器的输出 结合起来。
Boosting
一种迭代式的集成学习方法，每 一轮训练都更加关注前一轮被错 误分类的样本，通过加权调整样 本权重来训练新的基学习器。
01
RNN基本原理
解释RNN的基本结构和工作原理， 包括输入、隐藏状态和输出等。
03
序列到序列模型
阐述序列到序列模型在机器翻译、 语音识别等领域的应用。
02
LSTM与GRU
介绍长短时记忆网络（LSTM）和 门控循环单元（GRU）等RNN改进
模型的结构和原理。
04
注意力机制
介绍注意力机制在RNN中的应用， 提高模型对关键信息的关注度。
正则化 为了解决过拟合问题，可以在损失函数中加入正则化项， 如L1正则化（Lasso回归）和L2正则化（Ridge回归）。
支持向量机（SVM）
01
02
03
二分类问题
SVM最初是为二分类问题 设计的，通过寻找一个超 平面来最大化正负样本之 间的间隔。
机器学习与深度学习算法应用案例培训ppt与研究 (2)
层次聚类 通过构建层次结构来对数据进行聚类 ，根据距离度量将数据点逐层合并为 更大的聚类。
强化学习算法
Q-学习
通过迭代更新Q值表来学习最优策略，Q值表记录了每个状态下采取每个行动 的预期回报。
深度强化学习
结合深度学习与强化学习的算法，使用神经网络来近似状态值函数或策略函数 ，以处理大规模状态空间和动作空间的问题。
随着人工智能技术的广泛应用，隐私保护成为越来越重 要的伦理问题。在算法应用中，应尊重用户隐私，避免 未经授权的数据收集和使用。
03
02
公平性
人工智能算法应避免产生不公平的结果，特别是对于弱 势群体。在算法设计过程中，应充分考虑公平性，确保 所有人都能平等地受益于人工智能技术。
透明度
算法的决策过程应保持透明，以便人们能够理解算法是 如何做出决策的。提高算法的透明度有助于增强人们对 人工智能的信任，并减少误解和偏见。
04
机器学习与深度学习的研究进 展
算法改进与创新
集成学习
通过将多个弱学习器组 合成一个强学习器来提 高预测精度。
深度神经网络
通过增加网络层数和节 点数来提高模型的表达 能力。
强化学习
通过与环境的交互来学 习最优策略。
生成对抗网络
通过生成器和判别器的 对抗来生成新的数据样 本。
数据集的扩展与优化
数据集的多样性和规 模
增加数据集的多样性和规模可以提高模型的
泛化能力。
数据增强
数据预处理
对数据进行清洗、归一化、特征选择等操作 ，以提高模型的训练效果。
通过增加数据样本的变种来提高模型的泛化 能力。
02
01
数据隐私保护
在数据采集和使用过程中，保护用户隐私和 数据安全。
强化学习算法
Q-学习
通过迭代更新Q值表来学习最优策略，Q值表记录了每个状态下采取每个行动 的预期回报。
深度强化学习
结合深度学习与强化学习的算法，使用神经网络来近似状态值函数或策略函数 ，以处理大规模状态空间和动作空间的问题。
随着人工智能技术的广泛应用，隐私保护成为越来越重 要的伦理问题。在算法应用中，应尊重用户隐私，避免 未经授权的数据收集和使用。
03
02
公平性
人工智能算法应避免产生不公平的结果，特别是对于弱 势群体。在算法设计过程中，应充分考虑公平性，确保 所有人都能平等地受益于人工智能技术。
透明度
算法的决策过程应保持透明，以便人们能够理解算法是 如何做出决策的。提高算法的透明度有助于增强人们对 人工智能的信任，并减少误解和偏见。
04
机器学习与深度学习的研究进 展
算法改进与创新
集成学习
通过将多个弱学习器组 合成一个强学习器来提 高预测精度。
深度神经网络
通过增加网络层数和节 点数来提高模型的表达 能力。
强化学习
通过与环境的交互来学 习最优策略。
生成对抗网络
通过生成器和判别器的 对抗来生成新的数据样 本。
数据集的扩展与优化
数据集的多样性和规 模
增加数据集的多样性和规模可以提高模型的
泛化能力。
数据增强
数据预处理
对数据进行清洗、归一化、特征选择等操作 ，以提高模型的训练效果。
通过增加数据样本的变种来提高模型的泛化 能力。
02
01
数据隐私保护
在数据采集和使用过程中，保护用户隐私和 数据安全。
机器学习基础课件
结果作为新的特征，再训练一个元模型进行最 终预测。
模型诊断与改进策略
残差分析（Residual Analys…
通过检查模型的残差图，识别模型是否存在异方差性、非线性等问题。
特征重要性分析（Feature Impo…
通过分析模型中各个特征对预测结果的贡献程度，识别关键特征和冗 余特征。
案例五：使用神经网络进行手写数字识别
使用卷积神经网络等算法提取图像特 征，以便输入到神经网络模型中。
使用准确率、混淆矩阵等指标对模型 进行评估，调整模型参数以优化识别 性能。
数据准备
特征提取
模型训练
模型评估
收集手写数字图像数据集，包括训练 集和测试集，对数据进行预处理和增 强。
构建神经网络模型，对提取的特征进 行训练和学习，得到手写数字识别模 型。
遗传算法（Genetic Algorit…
模拟自然选择和遗传机制，在指定的超参数空间内进行搜索。
模型集成方法
装袋（Bagging）
通过自助采样法得到多个训练集，分别训练基模型，然后将基模型 的预测结果进行平均或投票得到最终预测结果。
提升（Boosting）
通过迭代地训练基模型，每次迭代时调整样本权重，使得之前被错 误分类的样本得到更多的关注。
决策树、神经网络、支持向量机等。
近年来，随着大数据和深度学习技术的快速发展，机 器学习在图像识别、语音识别、自然语言处理等领域
取得了突破性进展。
机器学习的应用领域
计算机视觉
通过训练图像识别模型，实现对图像中物体、 场景、文字等信息的自动识别和理解。
自然语言处理
利用机器学习技术，实现对文本数据的自动分析、 理解和生成，如情感分析、机器翻译等。
模型复杂度分析（Model Comple…
模型诊断与改进策略
残差分析（Residual Analys…
通过检查模型的残差图，识别模型是否存在异方差性、非线性等问题。
特征重要性分析（Feature Impo…
通过分析模型中各个特征对预测结果的贡献程度，识别关键特征和冗 余特征。
案例五：使用神经网络进行手写数字识别
使用卷积神经网络等算法提取图像特 征，以便输入到神经网络模型中。
使用准确率、混淆矩阵等指标对模型 进行评估，调整模型参数以优化识别 性能。
数据准备
特征提取
模型训练
模型评估
收集手写数字图像数据集，包括训练 集和测试集，对数据进行预处理和增 强。
构建神经网络模型，对提取的特征进 行训练和学习，得到手写数字识别模 型。
遗传算法（Genetic Algorit…
模拟自然选择和遗传机制，在指定的超参数空间内进行搜索。
模型集成方法
装袋（Bagging）
通过自助采样法得到多个训练集，分别训练基模型，然后将基模型 的预测结果进行平均或投票得到最终预测结果。
提升（Boosting）
通过迭代地训练基模型，每次迭代时调整样本权重，使得之前被错 误分类的样本得到更多的关注。
决策树、神经网络、支持向量机等。
近年来，随着大数据和深度学习技术的快速发展，机 器学习在图像识别、语音识别、自然语言处理等领域
取得了突破性进展。
机器学习的应用领域
计算机视觉
通过训练图像识别模型，实现对图像中物体、 场景、文字等信息的自动识别和理解。
自然语言处理
利用机器学习技术，实现对文本数据的自动分析、 理解和生成，如情感分析、机器翻译等。
模型复杂度分析（Model Comple…
机器学习课件ppt
详细描写
逻辑回归通过将输入变量映射到概率 值来工作，然后使用阈值将概率值转 换为二进制类别。它通常用于二元分 类问题，如点击率猜测或敲诈检测。
决策树
总结词
决策树是一种监督学习算法，它通过树形结构进行决策和分 类。
详细描写
决策树通过递归地将数据集划分为更小的子集来工作，直到 到达终止条件。每个内部节点表示一个特征的测试，每个分 支表示测试的一个结果，每个叶节点表示一个类标签。
深度学习的应用场景包括图像 辨认、语音辨认、自然语言处 理和推举系统等。
强化学习
01
强化学习是机器学习的一个分支 ，通过让智能体与环境交互来学 习最优的行为策略。
02
强化学习的特点是基于环境的反 馈来不断优化行为，以到达最终
的目标。
常见的强化学习算法包括Qlearning、SARSA和Deep Qnetwork等。
计算机视觉
机器学习在计算机视觉领域的应用包 括图像分类、目标检测、人脸辨认等 。
推举系统
机器学习在推举系统中的应用是通过 分析用户行为和偏好来推举相关的内 容或产品。
语音助手
机器学习在语音助手中的应用是通过 语音辨认和自然语言处理技术来理解 用户意图并作出相应回应。
02
机器学习基础
线性回归
总结词
线性回归是一种通过拟合数据点来猜测连续值的算法。
详细描写
线性回归通过找到最佳拟合直线来猜测因变量的值，该直线基于自变量和因变 量之间的关系。它使用最小二乘法来拟合数据，并输出一个线性方程，可以用 来进行猜测。
逻辑回归
总结词
逻辑回归是一种用于分类问题的算法 ，它将连续的输入变量转换为二进制 的输出变量。
数据清洗
去除特殊值、缺失值和重复数据，确保数据质量。
逻辑回归通过将输入变量映射到概率 值来工作，然后使用阈值将概率值转 换为二进制类别。它通常用于二元分 类问题，如点击率猜测或敲诈检测。
决策树
总结词
决策树是一种监督学习算法，它通过树形结构进行决策和分 类。
详细描写
决策树通过递归地将数据集划分为更小的子集来工作，直到 到达终止条件。每个内部节点表示一个特征的测试，每个分 支表示测试的一个结果，每个叶节点表示一个类标签。
深度学习的应用场景包括图像 辨认、语音辨认、自然语言处 理和推举系统等。
强化学习
01
强化学习是机器学习的一个分支 ，通过让智能体与环境交互来学 习最优的行为策略。
02
强化学习的特点是基于环境的反 馈来不断优化行为，以到达最终
的目标。
常见的强化学习算法包括Qlearning、SARSA和Deep Qnetwork等。
计算机视觉
机器学习在计算机视觉领域的应用包 括图像分类、目标检测、人脸辨认等 。
推举系统
机器学习在推举系统中的应用是通过 分析用户行为和偏好来推举相关的内 容或产品。
语音助手
机器学习在语音助手中的应用是通过 语音辨认和自然语言处理技术来理解 用户意图并作出相应回应。
02
机器学习基础
线性回归
总结词
线性回归是一种通过拟合数据点来猜测连续值的算法。
详细描写
线性回归通过找到最佳拟合直线来猜测因变量的值，该直线基于自变量和因变 量之间的关系。它使用最小二乘法来拟合数据，并输出一个线性方程，可以用 来进行猜测。
逻辑回归
总结词
逻辑回归是一种用于分类问题的算法 ，它将连续的输入变量转换为二进制 的输出变量。
数据清洗
去除特殊值、缺失值和重复数据，确保数据质量。
机器学习精选ppt精选全文
人工神经网络
人工神经网络
1 生物神经元及人工神经元的组成2 人工神经网络的模型 2 .1 人工神经元的模型 2 .2 常用的激活转移函数 2 .3 MP模型神经元
1、生物神经元及人工神经元的组成
神经元也称神经细胞，它是生物神经系统的最基本单元，它和人体中其他细胞的关键区别在于具有产生、处理和传递信号的功能。每个神经元都包括三个主要部分：细胞体、树突和轴突，见图5（a）。
5
监督学习
决策树（简单问题）人工神经网络（大量样本）支持向量机（小样本）
决策树学习
决策树学习 1．什么是决策树 决策树(decision tree)也称判定树，它是由对象的若干属性、属性值和有关决策组成的一棵树。其中的节点为属性（一般为语言变量），分枝为相应的属性值（一般为语言值）。从同一节点出发的各个分枝之间是逻辑“或”关系；根节点为对象的某一个属性；从根节点到每一个叶子节点的所有节点和边，按顺序串连成一条分枝路径，位于同一条分枝路径上的各个“属性-值”对之间是逻辑“与”关系，叶子节点为这个与关系的对应结果，即决策。例如图1就是一棵决策树。其中，A, B, C代表属性，ai, bj, ck代表属性值，dl代表对应的决策。处于同一层的属性（如图中的B, C）可能相同，也可能不相同，所有叶子节点（如图中的dl ，l=1,2,…, 6）所表示的决策中也可能有相同者。
由图1不难看出，一棵决策树上从根节点到每一个叶子节点的分枝路径上的诸“属性-值”对和对应叶子节点的决策，刚好就构成一个产生式规则：诸“属性-值”对的合取构成规则的前提，叶子节点的决策就是规则的结论。例如，图1中从根节点A到叶子节点d2的这一条分枝路径就构成规则：(A= a1)∧(B = b2) => d2而不同分枝路径所表示的规则之间为析取关系。
人工神经网络
1 生物神经元及人工神经元的组成2 人工神经网络的模型 2 .1 人工神经元的模型 2 .2 常用的激活转移函数 2 .3 MP模型神经元
1、生物神经元及人工神经元的组成
神经元也称神经细胞，它是生物神经系统的最基本单元，它和人体中其他细胞的关键区别在于具有产生、处理和传递信号的功能。每个神经元都包括三个主要部分：细胞体、树突和轴突，见图5（a）。
5
监督学习
决策树（简单问题）人工神经网络（大量样本）支持向量机（小样本）
决策树学习
决策树学习 1．什么是决策树 决策树(decision tree)也称判定树，它是由对象的若干属性、属性值和有关决策组成的一棵树。其中的节点为属性（一般为语言变量），分枝为相应的属性值（一般为语言值）。从同一节点出发的各个分枝之间是逻辑“或”关系；根节点为对象的某一个属性；从根节点到每一个叶子节点的所有节点和边，按顺序串连成一条分枝路径，位于同一条分枝路径上的各个“属性-值”对之间是逻辑“与”关系，叶子节点为这个与关系的对应结果，即决策。例如图1就是一棵决策树。其中，A, B, C代表属性，ai, bj, ck代表属性值，dl代表对应的决策。处于同一层的属性（如图中的B, C）可能相同，也可能不相同，所有叶子节点（如图中的dl ，l=1,2,…, 6）所表示的决策中也可能有相同者。
由图1不难看出，一棵决策树上从根节点到每一个叶子节点的分枝路径上的诸“属性-值”对和对应叶子节点的决策，刚好就构成一个产生式规则：诸“属性-值”对的合取构成规则的前提，叶子节点的决策就是规则的结论。例如，图1中从根节点A到叶子节点d2的这一条分枝路径就构成规则：(A= a1)∧(B = b2) => d2而不同分枝路径所表示的规则之间为析取关系。
《机器学习入门》课件
适用场景
适用于处理非线性问题、小 样本数据和不平衡分类等场 景。
K近邻算法
总结词
基于实例的学习
详细描述
公式
适用场景
K近邻算法是一种基于 实例的学习方法，通过 将新的数据点与已知数 据集中的最近邻进行比 较来做出预测。它通过 测量不同数据点之间的 距离或相似度来找到最 佳匹配。
(k = argmin_{i=1}^{n} ||x - x_i||^2)
案例二：房价预测
总结词
预测房价是一个回归问题，通过机器学习算法预测 房屋价格，有助于了解机器学习在预测性分析中的 应用。
详细描述
房价预测通常使用有监督学习算法，如线性回归、 决策树回归、支持向量回归等。数据集通常包含房 屋的各种属性，如面积、卧室数量、地理位置等， 以及对应的房价。通过训练模型，可以预测新房屋 的价格。这个案例可以帮助学习者了解如何处理回 归问题，以及如何选择合适的评估指标。
05
机器学习未来展望
Chapter
深度学习的发展趋势
1 2 3
深度学习算法的持续优化
随着计算能力的提升和数据规模的扩大，深度学 习算法将不断改进，提高模型的准确性和泛化能 力。
模型可解释性的增强
为了满足实际应用的需求，未来深度学习模型将 更加注重可解释性，通过可视化、解释性算法等 方式提高模型的可理解性。
案例三：垃圾邮件分类
要点一
总结词
垃圾邮件分类是一个常见的分类问题，通过机器学习算法 将正常邮件和垃圾邮件进行分类，有助于了解分类问题的 处理方法。
要点二
详细描述
垃圾邮件分类通常使用有监督学习算法，如朴素贝叶斯、 支持向量机、决策树等。数据集包含邮件的各种特征，如 发件人、主题、正文内容等，以及对应的标签（正常邮件 或垃圾邮件）。通过训练模型，可以自动将新收到的邮件 分类为正常或垃圾邮件。这个案例可以帮助学习者了解分 类问题的处理流程，以及如何处理不平衡数据集等问题。
机器学习(完整版课件)
• 聚类模型评估指标：轮廓系数、CalinskiHarabasz指数等。
模型评估与选择
交叉验证
通过多次划分训练集和验证集来评估模型的性 能。
网格搜索
对不同的超参数组合进行穷举搜索，以找到最 优的模型参数。
随机搜索
在指定的超参数范围内进行随机采样，以找到较好的模型参数。
03
监督学习
线性回归与逻辑回归
励。
马尔可夫决策过程
强化学习任务通常建模为马尔可夫 决策过程（MDP），包括状态、 动作、转移概率和奖励等要素。
值函数与策略函数
强化学习通过估计值函数（状态值 函数或动作值函数）来评估不同行 为的好坏，并根据策略函数来选择 动作。
Q-learning与Sarsa算法
01
Q-learning算法
Q-learning是一种基于值迭代的强化学习算法，通过不断更新Q值表来
线性回归
一种通过最小化预测值与真实值之间的均方误差来拟合数据 的统计方法。它假设因变量和自变量之间存在线性关系，并 通过梯度下降等优化算法求解模型参数。
逻辑回归
一种用于解决二分类问题的广义线性模型。它使用sigmoid 函数将线性回归的输出映射到[0,1]区间，表示样本属于正类 的概率。逻辑回归通过最大似然估计求解模型参数，并使用 交叉熵作为损失函数。
• 嵌入法：在模型训练过程中进行特征选择。
特征选择与特征提取
根据领域知识提取有效特 征。
自定义特征提取
卷积神经网络等。
图像特征提取
词袋模型、TF-IDF等。
文本特征提取
模型评估与选择
分类模型评估指标
准确率、精确率、召回率、F1分数等 。
回归模型评估指标
均方误差、均方根误差、平均绝对误 差等。
机器学习与深度学习的应用与实际操作的培训ppt
决策树
总结词
决策树是一种监督学习算法，用于分类和回归问题。
详细描述
决策树通过递归地将数据集划分为更小的子集来构建树结构。每个内部节点表 示一个特征的测试，每个分支代表一个测试结果，每个叶节点表示一个类标签 或一个数值预测。
支持向量机
总结词
支持向量机是一种分类和回归算法，它试图找到一个超平面以分隔两个类别的数 据点。
深度学习
深度学习是机器学习的一种，它 使用神经网络模型来模拟人类大 脑的工作方式，通过训练大量的 数据来提高模型的准确性。
机器学习与深度学习的关系
01
深度学习是机器学习的一个分支 ，它使用神经网络模型来处理复 杂的数据和问题，如图像、语音 和自然语言处理等。
02
深度学习的出现和发展，使得机 器学习的应用范围和性能得到了 极大的提升，成为了人工智能领 域的重要支柱。
Keras框架基础
总结词
Keras是一个基于Python的高级神经网络API，适合快速 原型设计和开发。
详细描述
Keras是一个用户友好、模块化的神经网络库，能够运行 在TensorFlow等后端框架之上。通过Keras，用户可以 方便地构建各种神经网络模型，而无需深入了解底层细 节。Keras提供了丰富的模型构建工具和灵活的API，使 得神经网络的开发和训练变得简单高效。
推荐系统
深度学习可以用于构建推荐系 统，根据用户的历史行为和偏 好，为其推荐感兴趣的内容或
产品。
02
机器学习与深度学习基础
线性回归
总结词
线性回归是一种通过找到最佳拟合直 线来预测连续值的方法。
详细描述
线性回归通过最小化预测值与实际值 之间的平方误差来找到最佳拟合直线 。它通常用于预测连续值，如房价、 销售量等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
特征增益的均值 特征分裂时的平均覆盖样本数
线性特征生成
new_feature= model.apply(X_train)
大学
谢谢！
x<4.5
8.95
x<3.5
6.83Βιβλιοθήκη x<2.56.56
5.63
5.82
机器学习基础-Gradient boosting Tree
损失函数的负梯度在当前模型的 值作为提升树的残差的近似值来 拟合回归树
机器学习基础-Gradient boosting Tree
机器学习基础-XGBoost
机器学习基础-XGBoost
机器学习基础-集成学习
Stacking
将训练好的所有基模型对训 练基进行预测，第j个基模型 对第i个训练样本的预测值将 作为新的训练集中第i个样本 的第j个特征值，最后基于新 的训练集进行训练。同理， 预测的过程也要先经过所有 基模型的预测形成新的测试 集，最后再对测试集进行预 测。
机器学习基础-Boosting Tree
C为常数，J为叶子节点
机器学习基础-Boosting Tree
前向分步算法：
机器学习基础-Boosting Tree
机器学习基础-Boosting Tree
s
1.5 2.5 3.5 4.5 5.5 6.5 7.5 8.5 9.5
m(s) 15.72 12.07 8.36 5.78 3.91 1.93 8.01 11.73 15.74
xx研究院
机器学习与深度学习入门
黄海广
2019年6月
机器学习基础-决策树
帅
能
长相
不帅
家庭背景
好
不好
能
人品
好
不好
上进心
有
能
不能
无
不能
机器学习基础-决策树
150个鸢尾花样本进行分类，特征为花萼的 长度和宽度
粗垂直线表示根节点的决策边界（深度0）：花瓣长度= 2.45厘米 。由于左侧区域是纯净的（仅Iris-Setosa），因此无法进一步拆分 。 •然而，右侧区域是不纯的，因此深度为1的右侧节点将其分割成花 瓣宽度= 1.75厘米（由虚线表示）。由于max_depth设置为2，因 此决策树会在那里停止。 •但是，如果将max_depth设置为3，那么两个深度为2的节点将各 自添加另一个决策边界（由点虚线表示）。
机器学习基础-Boosting Tree
x<6.5
6.24
8.91
x<3.5
-0.52
0.22
x<6.5
x<3.5
8.91
5.72
6.46
机器学习基础-Boosting Tree
x<6.5
0.15
-0.22
x<4.5
-0.16
0.11
x<6.5
0.07
-0.11
x<2.5
-0.15
0.04
x<6.5
是
1,2,5,6,7,15
否
机器学习基础-集成学习
Bagging
从训练集中进行子抽样组成每个基模型所需要的子训练集，对所有基模型 预测的结果进行综合产生最终的预测结果：
机器学习基础-集成学习
Boosting
训练过程为阶梯状，基 模型按次序一一进行训 练（实现上可以做到并 行），基模型的训练集 按照某种策略每次都进 行一定的转化。对所有 基模型预测的结果进行 线性综合产生最终的预 测结果：
机器学习基础-决策树
信息熵
条件熵 ID3 信息增益 C45 信息增益率
A是特征，i是特征取值
CART 基尼指数 基尼指数Gini(D,A)表示经过A=a分割后集合D的不确定性。
机器学习基础-CART
有 4,8,9,10,11,12
是
房子
无 1,2,3,5,6,7,13,14,15
工作
3,13,14
机器学习基础-XGBoost
1,2,3 4,5,6
7,8,9
机器学习基础-XGBoost
机器学习基础-XGBoost
分数越小，代表这个树的结构越好
为什么要推导？ 为什么要二阶泰勒展开？
机器学习基础-XGBoost
XGBOOST 与特征
特征重要性评估 model.get_fscore() 特征作为分裂节点的次数
线性特征生成
new_feature= model.apply(X_train)
大学
谢谢！
x<4.5
8.95
x<3.5
6.83Βιβλιοθήκη x<2.56.56
5.63
5.82
机器学习基础-Gradient boosting Tree
损失函数的负梯度在当前模型的 值作为提升树的残差的近似值来 拟合回归树
机器学习基础-Gradient boosting Tree
机器学习基础-XGBoost
机器学习基础-XGBoost
机器学习基础-集成学习
Stacking
将训练好的所有基模型对训 练基进行预测，第j个基模型 对第i个训练样本的预测值将 作为新的训练集中第i个样本 的第j个特征值，最后基于新 的训练集进行训练。同理， 预测的过程也要先经过所有 基模型的预测形成新的测试 集，最后再对测试集进行预 测。
机器学习基础-Boosting Tree
C为常数，J为叶子节点
机器学习基础-Boosting Tree
前向分步算法：
机器学习基础-Boosting Tree
机器学习基础-Boosting Tree
s
1.5 2.5 3.5 4.5 5.5 6.5 7.5 8.5 9.5
m(s) 15.72 12.07 8.36 5.78 3.91 1.93 8.01 11.73 15.74
xx研究院
机器学习与深度学习入门
黄海广
2019年6月
机器学习基础-决策树
帅
能
长相
不帅
家庭背景
好
不好
能
人品
好
不好
上进心
有
能
不能
无
不能
机器学习基础-决策树
150个鸢尾花样本进行分类，特征为花萼的 长度和宽度
粗垂直线表示根节点的决策边界（深度0）：花瓣长度= 2.45厘米 。由于左侧区域是纯净的（仅Iris-Setosa），因此无法进一步拆分 。 •然而，右侧区域是不纯的，因此深度为1的右侧节点将其分割成花 瓣宽度= 1.75厘米（由虚线表示）。由于max_depth设置为2，因 此决策树会在那里停止。 •但是，如果将max_depth设置为3，那么两个深度为2的节点将各 自添加另一个决策边界（由点虚线表示）。
机器学习基础-Boosting Tree
x<6.5
6.24
8.91
x<3.5
-0.52
0.22
x<6.5
x<3.5
8.91
5.72
6.46
机器学习基础-Boosting Tree
x<6.5
0.15
-0.22
x<4.5
-0.16
0.11
x<6.5
0.07
-0.11
x<2.5
-0.15
0.04
x<6.5
是
1,2,5,6,7,15
否
机器学习基础-集成学习
Bagging
从训练集中进行子抽样组成每个基模型所需要的子训练集，对所有基模型 预测的结果进行综合产生最终的预测结果：
机器学习基础-集成学习
Boosting
训练过程为阶梯状，基 模型按次序一一进行训 练（实现上可以做到并 行），基模型的训练集 按照某种策略每次都进 行一定的转化。对所有 基模型预测的结果进行 线性综合产生最终的预 测结果：
机器学习基础-决策树
信息熵
条件熵 ID3 信息增益 C45 信息增益率
A是特征，i是特征取值
CART 基尼指数 基尼指数Gini(D,A)表示经过A=a分割后集合D的不确定性。
机器学习基础-CART
有 4,8,9,10,11,12
是
房子
无 1,2,3,5,6,7,13,14,15
工作
3,13,14
机器学习基础-XGBoost
1,2,3 4,5,6
7,8,9
机器学习基础-XGBoost
机器学习基础-XGBoost
分数越小，代表这个树的结构越好
为什么要推导？ 为什么要二阶泰勒展开？
机器学习基础-XGBoost
XGBOOST 与特征
特征重要性评估 model.get_fscore() 特征作为分裂节点的次数