轉自：https://blog.csdn.net/jrunw/article/details/79205322

弱人工智慧近幾年取得了重大突破，悄然間，已經成為每個人生活中必不可少的一部分。以我們的智慧手機為例，看看到底溫藏著多少人工智慧的神奇魔術。

下圖是一部典型的智慧手機上安裝的一些常見應用程式，可能很多人都猜不到，人工智慧技術已經是手機上很多應用程式的核心驅動力。

圖1 智慧手機上的相關應用

傳統的機器學習演算法包括決策樹、聚類、貝葉斯分類、支援向量機、EM、Adaboost等等。這篇文章將對常用演算法做常識性的介紹，沒有程式碼，也沒有複雜的理論推導，就是圖解一下，知道這些演算法是什麼，它們是怎麼應用的

人工智慧領域知識面廣泛，推薦專注於人工智慧線上教育的平臺—深藍學院。深藍學院由中科院自動化所畢業博士團隊建立，雖成立半年，但在業界已頗具口碑。

決策樹

根據一些 feature（特徵） 進行分類，每個節點提一個問題，通過判斷，將資料分為兩類，再繼續提問。這些問題是根據已有資料學習出來的，再投入新資料的時候，就可以根據這棵樹上的問題，將資料劃分到合適的葉子上。

圖2 決策樹原理示意圖

隨機森林

在源資料中隨機選取資料，組成幾個子集：

圖3-1 隨機森林原理示意圖

S矩陣是源資料，有1-N條資料，A、B、C 是feature，最後一列C是類別：

由S隨機生成M個子矩陣：

這M個子集得到 M 個決策樹：將新資料投入到這M個樹中，得到M個分類結果，計數看預測成哪一類的數目最多，就將此類別作為最後的預測結果。

圖3-2 隨機森林效果展示圖

邏輯迴歸

當預測目標是概率這樣的，值域需要滿足大於等於0，小於等於1的，這個時候單純的線性模型是做不到的，因為在定義域不在某個範圍之內時，值域也超出了規定區間。

圖4-1 線性模型圖

所以此時需要這樣的形狀的模型會比較好：

圖4-2

那麼怎麼得到這樣的模型呢？

這個模型需要滿足兩個條件 “大於等於0”，“小於等於1” 。大於等於0 的模型可以選擇絕對值，平方值，這裡用指數函式，一定大於0；小於等於1 用除法，分子是自己，分母是自身加上1，那一定是小於1的了。

圖4-3

再做一下變形，就得到了 logistic regressions 模型：

圖4-4

通過源資料計算可以得到相應的係數了：

圖4-5

圖4-6 LR模型曲線圖

支援向量機

要將兩類分開，想要得到一個超平面，最優的超平面是到兩類的 margin 達到最大，margin就是超平面與離它最近一點的距離，如下圖，Z2>Z1，所以綠色的超平面比較好。

圖5 分類問題示意圖

將這個超平面表示成一個線性方程，在線上方的一類，都大於等於1，另一類小於等於－1：

點到面的距離根據圖中的公式計算：

所以得到total margin的表示式如下，目標是最大化這個margin，就需要最小化分母，於是變成了一個優化問題：

舉個例子，三個點，找到最優的超平面，定義了 weight vector＝（2，3）－（1，1）：

得到weight vector為（a，2a），將兩個點代入方程，代入（2，3）另其值＝1，代入（1，1）另其值＝-1，求解出 a 和 截矩 w0 的值，進而得到超平面的表示式。

a求出來後，代入（a，2a）得到的就是support vector，a和w0代入超平面的方程就是support vector machine。

樸素貝葉斯

舉個在 NLP 的應用：給一段文字，返回情感分類，這段文字的態度是positive，還是negative：

圖6-1 問題案例

為了解決這個問題，可以只看其中的一些單詞：

這段文字，將僅由一些單詞和它們的計數代表：

原始問題是：給你一句話，它屬於哪一類 ？通過bayes rules變成一個比較簡單容易求得的問題：

問題變成，這一類中這句話出現的概率是多少，當然，別忘了公式裡的另外兩個概率。例子：單詞“love”在positive的情況下出現的概率是 0.1，在negative的情況下出現的概率是0.001。

圖6-2 NB演算法結果展示圖

K近鄰演算法

給一個新的資料時，離它最近的 k 個點中，哪個類別多，這個資料就屬於哪一類。

例子：要區分“貓”和“狗”，通過“claws”和“sound”兩個feature來判斷的話，圓形和三角形是已知分類的了，那麼這個“star”代表的是哪一類呢？

圖7-1 問題案例

k＝3時，這三條線連結的點就是最近的三個點，那麼圓形多一些，所以這個star就是屬於貓。

圖7-2 演算法步驟展示圖

K均值演算法

先要將一組資料，分為三類，粉色數值大，黃色數值小 。最開始先初始化，這裡面選了最簡單的 3，2，1 作為各類的初始值 。剩下的資料裡，每個都與三個初始值計算距離，然後歸類到離它最近的初始值所在類別。

圖8-1 問題案例

分好類後，計算每一類的平均值，作為新一輪的中心點：

圖8-2

幾輪之後，分組不再變化了，就可以停止了：

圖8-3 演算法結果展示

Adaboost

Adaboost 是 Boosting 的方法之一。Boosting就是把若干個分類效果並不好的分類器綜合起來考慮，會得到一個效果比較好的分類器。

下圖，左右兩個決策樹，單個看是效果不怎麼好的，但是把同樣的資料投入進去，把兩個結果加起來考慮，就會增加可信度。

圖9-1 演算法原理展示

Adaboost 的例子，手寫識別中，在畫板上可以抓取到很多features（特徵），例如始點的方向，始點和終點的距離等等。

圖9-2

training的時候，會得到每個feature的weight（權重），例如2和3的開頭部分很像，這個feature對分類起到的作用很小，它的權重也就會較小。

圖9-3

而這個alpha角就具有很強的識別性，這個feature的權重就會較大，最後的預測結果是綜合考慮這些feature的結果。

圖9-4

神經網路

Neural Networks適合一個input可能落入至少兩個類別裡：NN由若干層神經元，和它們之間的聯絡組成。 第一層是input層，最後一層是output層。在hidden層和output層都有自己的classifier。

圖10-1 神經網路結構

input輸入到網路中，被啟用，計算的分數被傳遞到下一層，啟用後面的神經層，最後output層的節點上的分數代表屬於各類的分數，下圖例子得到分類結果為class 1；同樣的input被傳輸到不同的節點上，之所以會得到不同的結果是因為各自節點有不同的weights 和bias，這也就是forward propagation。

圖10-2 演算法結果展示

馬爾科夫

Markov Chains由state（狀態）和transitions（轉移）組成。例子，根據這一句話 ‘the quick brown fox jumps over the lazy dog’，要得到markov chains。

步驟，先給每一個單詞設定成一個狀態，然後計算狀態間轉換的概率。

圖11-1 馬爾科夫原理圖

這是一句話計算出來的概率，當你用大量文字去做統計的時候，會得到更大的狀態轉移矩陣，例如the後面可以連線的單詞，及相應的概率。

圖11-2 演算法結果展示

上述十大類機器學習演算法是人工智慧發展的踐行者，即使在當下，依然在資料探勘以及小樣本的人工智慧問題中被廣泛使用。