统计机器学习.pptVIP

统计机器学习 王 珏 机器学习与人工智能 机器学习 人工智能与统计机器学习 统计机器学习 Duda Hart 统计机器学习的统计框架 发展的线索 样本数量：趋于无穷大。有限样本理论，泛化误差1-?概率成立。 线性判别，感知机：线性不可分，M.Minsky的批评。非线性算法BP，孤立事件，问题没有解决。线性空间。 损失函数：根据问题定义损失函数。 精心设计实验获得数据(手写字符识别)的理论：高维涌现的数据(网络、生物、金融)。包含多个有意义解答。 从数据建立模型：经验知识和经验模型的考虑。 统计机器学习 Valiant Vapnik Vapnik的贡献(1)---有限样本理论 Vapnik的贡献(2)---线性算法 Vapnik的贡献(3)---泛化误差界 统计机器学习 Leo Breiman 统计学简史---陈希孺 面临的现实和统计学家的思考 统计机器学习 近期的研究课题 Efron, Valiant Schapire 集群学习 加性模型的解释---投票 权值的获得---空间 近期的研究课题 对margin的批评 关键：损失函数 近期的研究课题 变量稀疏：变量选择---特征选择 特征选择 vs. 变量稀疏 LASSO 总 结 谢 谢 模式识别：减少计算量。特征选择 统计学：获得信息(相对预测),变量稀疏--变量选择 数据挖掘：描述数据(相对预测)。 当前任务：辨别自然模型的真实变量，过滤多余变量带来的噪音。 特征选择 Wrapper 变量稀疏 LASSO Filter LARS 对特定算法，优化中逐步删除不必要的变量。 通过逐步加入变量，完成优化。 LASSO(Least Absolute Shrinkage and Selection Operator) [Tibshirini,1996]： ?=[?1,…,?1]p，考虑?T?j?c，将其作为线性约束，共2p个。使用最小二乘计算初始的?，使用一个迭代算法，直到???j?c。 求解L1约束下平方误差损失最小的问题。 所有与?j?0对应的变量，就是被选择的变量集合。 (1)在集群意义下，研究弱模型的作用。 (2)消除冗余特征，发现问题需要且仅需要的变量。 两者的区别仅在不同空间上，使用LASSO。 中国科学院自动化研究所 Machine Learning and Data Mining 2006 中国科学院自动化研究所 Machine Learning and Data Mining 2008 第11届中国机器学习会议 大连，2008，8 机器学习来源于人工智能。 著作：机器学习(Machine Learning) Tom Michell 描述：如果一个系统能够通过执行某种过程而改进它的性能，这就是学习。 Herbert Simon Vapnik在“机器学习”术语之前加了“统计”二字，变为“统计机器学习”。 由此 从Rosenblatt的感知机到人工神经网络划入了这个领域。 Duda Hart的模式分类(统计模式识别)划入这个领域。 统计学的算法文化划入了这个领域。 Quilan的决策树方法和Valiant的PAC划入这个领域。 “统计” 早期，不喜欢。M.Minsky的批评，感知机停滞。 Duda Hart的统计模式识别，统计机器学习与其一致。人工神经网络反对AI。 统计机器学习使用的AI成果： Valiant的PAC：这是当前统计机器学习的基础之一。 Quilan的决策树：这是统计机器学习最重要的算法之一。 统计机器学习已成为人工智能最主要的研究课题。 Vapnik在“泛化”旗帜下，批判了这种排他性。 统计机器学习的理论框架 有限样本理论 统计建模的两种文化 近期的研究课题 1973年，他们出版了至今有重要影响“Pattern classification and scene analysis”，2001年，在此基础上，删除了情境分析的内容，大量增加了统计建模的内容。 尽管2001年版的内容大大丰富了，无论在理论研究结果，方法的罗列，还是参考文献的收集，都可以称为一本研究者必备的手册，但是，其理论框架的识别也比1973版困难。 Duda Hart的模式分类理论框架=统计机器学习理论框架 Bayes决策论 后验概率：P(?j?x)=P(?i)p(xj??i)。样本数趋于无穷大。 判决规则：对所有?j，最大P(?j?x)就是x的类别。 目标：风险R(?i?x)=??(?i??j)P(?i?x)最小。?是损失函数。 函数g(x)=w0+?wtx，如果?wtx-w0，x属于?1。 问题变为在确定的损失函数(准