有趣的機器學習：最簡明入門指南

在聽到人們談論機器學習的時候，你是不是對它的涵義只有幾個模糊的認識呢？你是不是已經厭倦了在和同事交談時只能一直點頭？讓我們改變一下吧！

本指南的讀者物件是所有對機器學習有求知慾但卻不知道如何開頭的朋友。我猜很多人已經讀過了“機器學習”的維基百科詞條，倍感挫折，以為沒人能給出一個高層次的解釋。本文就是你們想要的東西。

本文目標在於平易近人，這意味著文中有大量的概括。但是誰在乎這些呢？只要能讓讀者對於ML更感興趣，任務也就完成了。

何為機器學習？

機器學習這個概念認為，對於待解問題，你無需編寫任何專門的程式程式碼，泛型演算法（generic algorithms）能夠在資料集上為你得出有趣的答案。對於泛型演算法，不用編碼，而是將資料輸入，它將在資料之上建立起它自己的邏輯。

舉個例子，有一類演算法稱為分類演算法，它可以將資料劃分為不同的組別。一個用來識別手寫數字的分類演算法，不用修改一行程式碼，就可以用來將電子郵件分為垃圾郵件和普通郵件。演算法沒變，但是輸入的訓練資料變了，因此它得出了不同的分類邏輯。

機器學習演算法是個黑盒，可以重用來解決很多不同的分類問題。

“機器學習”是一個涵蓋性術語，覆蓋了大量類似的泛型演算法。

 

兩類機器學習演算法

你可以認為機器學習演算法分為兩大類：監督式學習（Supervised Learning）和非監督式學習（Unsupervised Learning）。兩者區別很簡單，但卻非常重要。

監督式學習

假設你是一名房產經紀，生意越做越大，因此你僱了一批實習生來幫你。但是問題來了——你可以看一眼房子就知道它到底值多少錢，實習生沒有經驗，不知道如何估價。

為了幫助你的實習生（也許是為了解放你自己去度個假），你決定寫個小軟體，可以根據房屋大小、地段以及類似房屋的成交價等因素來評估你所在地區房屋的價值。

你把3個月來城裡每筆房屋交易都寫了下來，每一單你都記錄了一長串的細節——臥室數量、房屋大小、地段等等。但最重要的是，你寫下了最終的成交價：

這是我們的“訓練資料”。

我們要利用這些訓練資料來編寫一個程式來估算該地區其他房屋的價值：

這就稱為監督式學習。你已經知道每一棟房屋的售價，換句話說，你知道問題的答案，並可以反向找出解題的邏輯。

為了編寫軟體，你將包含每一套房產的訓練資料輸入你的機器學習演算法。演算法嘗試找出應該使用何種運算來得出價格數字。

這就像是算術練習題，算式中的運算子號都被擦去了： 

看了這些題，你能明白這些測驗裡面是什麼樣的數學問題嗎？你知道，你應該對算式左邊的數字“做些什麼”以得出算式右邊的答案。

在監督式學習中，你是讓計算機為你算出數字間的關係。而一旦你知道了解決這類特定問題所需要的數學方法後，你就可以解答同類的其它問題了。

非監督式學習

 

讓我們回到開頭那個房地產經紀的例子。要是你不知道每棟房子的售價怎麼辦？即使你所知道的只是房屋的大小、位置等資訊，你也可以搞出很酷的花樣。這就是所謂的非監督式學習。

 

這就有點像有人給你一張紙，上面列出了很多數字，然後對你說:“我不知道這些數字有什麼意義，也許你能從中找出規律或是能將它們分類，或是其它什麼-祝你好運！”

你該怎麼處理這些資料呢？首先，你可以用個演算法自動地從資料中劃分出不同的細分市場。也許你會發現大學附近的買房者喜歡戶型小但臥室多的房子，而郊區的買房者偏好三臥室的大戶型。這些資訊可以直接幫助你的營銷。

你還可以作件很酷的事，自動找出房價的離群資料，即與其它資料迥異的值。這些鶴立雞群的房產也許是高樓大廈，而你可以將最優秀的推銷員集中在這些地區，因為他們的佣金更高。

本文餘下部分我們主要討論監督式學習，但這並不是因為非監督式學習用處不大或是索然無味。實際上，隨著演算法改良，不用將資料和正確答案聯絡在一起，因此非監督式學習正變得越來越重要。

老學究請看:還有很多其它種類的機器學習演算法。但初學時這樣理解不錯了。

 

作為人類的一員，你的大腦可以應付絕大多數情況，並且沒有任何明確指令也能夠學習如何處理這些情況。如果你做房產經紀時間很長，你對於房產的合適定價、它的最佳營銷方式以及哪些客戶會感興趣等等都會有一種本能般的“感覺”。強人工智慧（Strong AI）研究的目標就是要能夠用計算機複製這種能力。

但是目前的機器學習演算法還沒有那麼好——它們只能專注於非常特定的、有限的問題。也許在這種情況下，“學習”更貼切的定義是“在少量範例資料的基礎上找出一個等式來解決特定的問題”。

不幸的是，“機器在少量範例資料的基礎上找出一個等式來解決特定的問題”這個名字太爛了。所以最後我們用“機器學習”取而代之。

當然，要是你是在50年之後來讀這篇文章，那時我們已經得出了強人工智慧演算法，而本文看起來就像個老古董。未來的人類，你還是別讀了，叫你的機器僕人給你做份三明治吧。

讓我們寫程式碼吧!

前面例子中評估房價的程式，你打算怎麼寫呢？往下看之前，先思考一下吧。

如果你對機器學習一無所知，很有可能你會嘗試寫出一些基本規則來評估房價，如下：

假如你像這樣瞎忙幾個小時，也許會取得一點成效，但是你的程式永不會完美，而且當價格變化時很難維護。

如果能讓計算機找出實現上述函式功能的辦法，這樣豈不更好？只要返回的房價數字正確，誰會在乎函式具體幹了些什麼呢？

考慮這個問題的一種角度是將房價看做一碗美味的湯，而湯中成分就是臥室數、面積和地段。如果你能算出每種成分對最終的價格有多大影響，也許就能得到各種成分混合起來形成最終價格的具體比例。

這樣可以將你最初的程式（全是瘋狂的if else語句）簡化成類似如下的樣子：

請注意那些用粗體標註的神奇數字——.841231951398213, 1231.1231231,2.3242341421, 和201.23432095。它們稱為權重。如果我們能找出對每棟房子都適用的完美權重，我們的函式就能預測所有的房價！

找出最佳權重的一種笨辦法如下所示：

步驟1：

首先，將每個權重都設為1.0：

步驟2：

將每棟房產帶入你的函式運算，檢驗估算值與正確價格的偏離程度：

 

例如：上表中第一套房產實際成交價為25萬美元，你的函式估價為17.8萬，這一套房產你就差了7.2萬。

再將你的資料集中的每套房產估價偏離值平方後求和。假設資料集中有500套房產交易，估價偏離值平方求和總計為86,123,373美元。這就反映了你的函式現在的“正確”程度。

現在，將總計值除以500，得到每套房產的估價偏離平均值。將這個平均誤差值稱為你函式的代價。

如果你能調整權重使得這個代價變為0，你的函式就完美了。它意味著，根據輸入的資料，你的程式對每一筆房產交易的估價都是分毫不差。而這就是我們的目標——嘗試不同的權重值以使代價儘可能的低。

步驟3：

不斷重複步驟2，嘗試所有可能的權重值組合。哪一個組合使得代價最接近於0，它就是你要使用的，你只要找到了這樣的組合，問題就得到了解決!

思想擾動時間

這太簡單了，對吧？想一想剛才你做了些什麼。你取得了一些資料，將它們輸入至三個通用的簡單步驟中，最後你得到了一個可以對你所在區域的房屋進行估價的函式。房價網，要當心咯！
但是下面的事實可能會擾亂你的思想：

1.過去40年來，很多領域（如語言學/翻譯學）的研究表明，這種通用的“攪動資料湯”（我編造的詞）式的學習演算法已經勝過了需要利用真人明確規則的方法。機器學習的“笨”辦法最終打敗了人類專家。

2.你最後寫出的函式真是笨，它甚至不知道什麼是“面積”和“臥室數”。它知道的只是攪動，改變數字來得到正確的答案。

3.很可能你都不知道為何一組特殊的權重值能起效。所以你只是寫出了一個你實際上並不理解卻能證明的函式。
4.試想一下，你的程式裡沒有類似“面積”和“臥室數”這樣的引數，而是接受了一組數字。假設每個數字代表了你車頂安裝的攝像頭捕捉的畫面中的一個畫素，再將預測的輸出不稱為“價格”而是叫做“方向盤轉動度數”，這樣你就得到了一個程式可以自動操縱你的汽車了！

太瘋狂了，對吧？

 

步驟3中的“嘗試每個數字”怎麼回事？

好吧，當然你不可能嘗試所有可能的權重值來找到效果最好的組合。那可真要花很長時間，因為要嘗試的數字可能無窮無盡。
為避免這種情況，數學家們找到了很多聰明的辦法來快速找到優秀的權重值，而不需要嘗試過多。下面是其中一種：
首先，寫出一個簡單的等式表示前述步驟2：

接著，讓我們將這同一個等式用機器學習的數學術語（現在你可以忽略它們）進行重寫：

這個等式表示我們的估價程式在當前權重值下偏離程度的大小。
如果將所有賦給臥室數和麵積的可能權重值以圖形形式顯示，我們會得到類似下圖的圖表：