隨著計算能力、儲存空間、網路的高速發展，人類所積累的資料量正在快速增長，而分類在資料探勘中是一項非常重要的任務，目前在商業上應用最多，分類演算法是解決分類問題的方法，是機器學習中一個重要的研究領域。為了讓大家進一步瞭解機器學習的分類演算法，飛馬網於3月29日晚，邀請到現就職於國內知名網際網路公司的中山大學博士—李夢婷，向大家分享有關分類演算法相關領域的內容。
以下是這次線上直播的分享實錄：
一．What（帶大家從根本上了解什麼是分類）
1.什麼是分類：
大家對分類其實並不陌生，在我們的現實生活中，經常會碰到這樣的場景：
“這個人是男的還是女的？”，我們通常會在腦袋裡考慮非常多的因素，比如“頭髮長短、身材曲線、穿衣風格......”，在大腦中，我們會結合觀察到的多種因素去判斷男女，這就是一個分類問題。
又或者大家比較關心的一個話題—房價，和朋友聊天時，我們會猜測“房價會漲還是會降呢？”，這其實也是一個分類問題。
上面所說的這兩個例子，只有兩個選項，所以這屬於二分類問題。
除此之外還有非常多的分類場景，比如大家關心的年終獎，分為多種級別（S、A、B、C）。平常我們在看新聞時，每篇文章都會對應不同的類別（娛樂類、體育類、財經類）。而這兩個例子有多種選項，我們把這一類問題叫做多分類問題，多分類問題又分為互斥多分類問題（年終獎：只能評一個等級）和非互斥多分類問題（文章類別：一篇文章可以同時歸屬於多個類別）。
2.分類的流程：
分類的一般流程是怎樣的呢？我們一起來看下圖：
主要包括三個部分：
第一層是最左邊的x序列，代表我們觀察到的一些樣本資訊。中間這一層是分類器，就好像我們的大腦，它會根據已有經驗，把觀察到的資訊進行加工，得到一個特定類別，也就是我們的第三層y，代表預測的類別結果。
這裡最關鍵的部分就是訓練分類器。我們分類問題的解決，在於訓練出一個好的分類器。
這一部分就是我們對分類問題的簡單介紹。
二.Why（分類問題的應用場景）
從剛才的例子中，我們瞭解到，分類在我們的現實生活中很常見，分類是一項最有應用價值的技術之一，它的應用遍及了社會中的各個領域，下面這張圖描繪的是目前比較常見的有分類問題的場景。
1.使用者畫像：
也就是對一個人進行類別抽象。例如，我們會根據一個人的行為去判斷這個人是男是女、是老人是小孩、以及他（她）的興趣偏好，通過各個維度的資訊來刻畫使用者。在構造使用者畫像的時候，其中非常多的地方用到了分類演算法，比如性別、年齡、興趣偏好等。
2.徵信評估：
在一些金融體系裡，我們會根據一個人的銀行卡記錄或信用卡還貸記錄等，去評估這個人的徵信度，看這個人是屬於高風險使用者還是低風險使用者。
3.推薦系統：
我們會預測一個人對某個東西“喜歡”或“不喜歡”，從而進行推薦。在預測時我們會根據這個人的情緒等因素，從而構造了我們現有的推薦體系。
4.趨勢預測：
像房價預測、商品出貨量預測、價格走勢預測等等。
5.影象分類：
影象是人工智慧一個非常重要的領域。比如給一張照片，我們需要一個分類器，看出照片裡到底是一隻貓還是一隻狗。再比如我們在做新聞推薦時，會把影象進行分類，看它是不是符合政策要求。
6.文字分類：
比如文章的類別劃分，有娛樂類、體育類、財經類等等。
除以上這些，還有很多其它的應用場景。
三.How（常用的分類演算法，如何訓練分類模型）
今天主要介紹五種常見的分類演算法：K近鄰、樸素貝葉斯、決策樹、Logistic迴歸、支援向量機。
（1）K近鄰：
所謂的K近鄰，就是依據最鄰近的一個或者幾個樣本的類別，來決定待分類的樣本所屬的類別。它是最簡單的一個演算法模型，我們一起來看下圖：
圖中有兩類樣本，一類是紅色的三角，另一類是藍色的方塊。問題是綠色的圓點到底屬於哪一類？根據K近鄰的方法，我們先看離綠色圓點最近的樣本，有兩個紅色三角樣本和一個藍色方塊樣本，根據K近鄰思想，我們可以推出綠色圓點樣本可以歸為紅色三角這一類。
其實在自然語言處理中，有一個非常典型的例子可以說明K近鄰。比如自然語言處理中最底層對word進行向量化處理時，也就是常說的“what embedding”，我們會把一個詞對映到一個高維的語義空間中，在這個語義空間裡，不同詞之間的距離能夠表示它們語義之間的相關性。在進行詞的分類時，我們可以根據它周圍最近幾個詞的分類，來確定當前我們想評估的這個詞的分類。
·優點：思想簡單，理論成熟；可用於非線性分類；準確度高，對資料沒有假設；對outlier不敏感。
·缺點：計算量大；樣本不平衡問題；記憶體消耗大；k值的選擇對分類效果有很大影響。
（2）樸素貝葉斯：
這是一個屬於概率統計的模型。下圖中給出的基本公式，是存在於條件概率的一個形式，它有非常強的一個假定，“給定目標值時屬性之間相互條件獨立”，只有在假設成立時，我們才能得到這個公式。這個公式計算出來，是一個概率。
·優點：在資料較少的情況下仍然有效；可以處理多類別問題；適合增量式訓練。
·缺點：對於輸入資料的表達方式較為敏感；需要知道先驗概率，分類決策存在錯誤率；屬性之間的獨立性假設往往不成立（可先聚類）。
（3）決策樹：
決策樹是一個在工業界應用比較多的演算法模型，我們通過下面的示例圖來了解一下。
上圖可以分為兩個部分：左側和右側。
左側實際上就是樣本的屬性（性別、年齡、職業...），右側是所構建的決策樹模型，根據所監測到的資訊以及所對應的類別所構造的決策樹。
我們構建決策樹要進行一個什麼樣的分類呢？從圖中可以知道，我們根據已有的樣本構建一個分類器，判斷一個人“是不是喜歡電腦遊戲？”
首先根據樣本屬性對空間進行一個劃分，在這裡，我們選擇的是“年齡小於15”這個條件，滿足就走左側子樹，不滿足就走右側子樹。左側子樹又根據“是男生嗎？”進一步劃分為兩個子樹。小男孩變成最後一層的葉子節點的正樣本，小女孩是這層的葉子節點的負樣本。根據這種方式，我們就可以構造出一棵決策樹。
·優點：計算複雜度不高，且重用性高；輸出結果易於理解；對中間值不敏感；可以處理不相關特徵資料；能很好地處理連續特徵。
·缺點：容易出現過擬合問題；對噪聲資料較為敏感。
（4）Logistic迴歸：
它是當前業界用的最廣的模型，無論谷歌、百度，還是騰訊、阿里，都有用到。它的原型是一個線性模型。
預測樣本值是由W和X組成的，最左側這個公式，X就是我們觀測到的值，WT是我們權重的向量空間。根據這樣一個計算，我們就可以得到一個數值，是一個實數範圍內的值，從負無窮大到正無窮大，這樣一個值對我們的分類來說比較痛苦。
考慮到這個問題，有一個數學性質非常好的函式，也就是上圖左下方的轉化後的函式。我們可以把實數範圍內的輸入轉化成0-1範圍內的一個輸出，在這樣一個穩定的輸出範圍內，我們就能比較好地進行閾值的設定。
上圖右邊這個公式是用來訓練的損失函式。我們根據已有的樣本值，可以得到一個分類器，這個分類器可能並不是那麼準確，我們將樣本里面部分的屬性輸進去後，它會預測出一個值，我們拿這個值和訓練樣本里面真正對應的分類值進行比較，計算它們之間的差距，這個差距就是一個損失，我們通常採用的就是上圖這種形式。根據這個損失函式，我們可以得到當前分類器是否能夠反映真實的情況，根據這個差距，我們會採用一些優化方法，比如梯度下降等，去優化我們的W值。
我們這個模型從根本上說就是W的權重值，根據這個損失函式，計算出W的最優值，就構造出來了一個分類器。它從核心上來說是W和X的一個加權求和的形式，所以說它是一個線性的分類器。
·優點：計算代價不高，速度快，儲存低；易於理解和實現。
·缺點：容易欠擬合；分類精度可能不高；必須線性可分。
（5）支援向量機：
這個模型是有久遠歷史的模型，現在應用的並不是特別多，所以就簡單介紹一下。
上圖展示了支援向量機的基本原理，它通常是找到一條線或一個面，使得不同類到這個面的距離是最大的，我們需要做的就是找到這條線或這個面。
·優點：泛化錯誤率低；計算開銷不大；可用於非線性分類；結果易解釋。
·缺點：對引數調節和核函式選擇敏感；原始分類器不加修改僅適用於處理二類問題。
以上五個就是常用的分類演算法。
下圖是一個分類演算法整合，方便大家在不同的場景下選擇合適的分類演算法：
四.資料+算力+演算法=AI
百度的李彥巨集有提到過“資料+算力+演算法=AI”，得到了業界的廣泛認同，剛才我們介紹了演算法，那資料和算力怎麼看呢？
演算法也就是我們剛才說到的一些演算法模型、分類模型等等。算力實際上就是我們能夠支撐演算法跑的一些效能支撐、平臺支撐、硬體支撐等等。資料是我們著重要說的，它排在第一位，最基礎，是決定一個問題解決能否成功的關鍵，資料的處理往往對最後的效果影響最大。
上圖是一些價效比比較高的資料處理方式，有樣本清洗、特徵變換、特徵選擇、特徵組合。
這四大部分就是關於分類演算法的介紹。下面我們一起來看看在最後的答疑過程中，都有些什麼問題呢？
1.大資料分析和AI的關係？
李老師：其實它們之間並沒有那麼明顯的界定，主要是側重點的區別。大資料分析側重試分析，也會用到AI的技術，或者常說的演算法模型。而AI不僅僅是分析，它有更多的領域。
2.如何判斷一個特徵是否有效？
李老師：比如在構造樣本的時候，先進行一些卡方檢驗，相關係數檢驗等。在選擇不同的樣本構造分類器之後，也可以評價它的一些auc的一個變化。不過需要注意的是，如果通過樣本量的大小帶來的auc的變化，通常是不可信的。所以需要在同樣的樣本量的情況下，而且是模型收斂的情況下，去評價不同。特徵的auc可以進行特徵的選擇，看特徵是否有效。
3.AI、資料分析、人工智慧在工作中。對於hadoop、spark之類的大資料技術，要求高嗎？需要掌握到什麼程度？
李老師：hadoop、spark是我們常用的進行機器學習的平臺。可以瞭解，不用那麼深，但基本的使用和大致的原理以及效能的調優都還是需要知道的。
以上就是本次線上直播的主要內容，相信你對分類演算法的概念、應用場景、模型都有了更深入的認識。想了解更多更詳細內容的小夥伴們，可以關注服務號：FMI飛馬網，點選選單欄飛馬直播，即可進行學習。
