標籤: 機器學習

機器學習已成為程式語言中重要的研究項目,對機器學習有興趣的你不要錯過今天的十種演算圖表文章喔!!(下)

本篇為上篇，下篇請點此機器學習補給站:十種演算法教你讀懂監督式到非監督式學習!(上)

二、非監督式學習

1. 隨機森林（Random Forest）

隨機森林可以視為決策樹的延伸，可以把隨機森林當作是多個決策樹組合而成，並加入隨機分配的訓練資料，以大幅增進最終的運算結果。其想法就是結合多個「弱學習器」（即決策樹）來建構一個「強學習器」模型。這種方法被稱為「集成」（Ensemble Method）。同時也能降低單個決策樹出錯的風險。

例如若創建一個隨機森林模型預測數值，只有第三個決策樹預測為 0，但是如果整合所有決策樹的結果，將會判斷出預測值是為 1。

隨機森林的優點為可以處理大量的輸入變數，同時可以計算各例中的親近度，對於資料探勘、偵測離群點和將資料視覺化非常有用。

2. 聚類分析（Cluster analysis）

聚類分析是統計資料分析的技術，後來在如機器學習等領域受到廣泛應用。「聚類」是把相似的物件通過靜態分類，分成不同的組別或子集（subset）。聚類有很多種方法，常見的如 K-means、層次聚類（Hierarchical clustering）、譜聚類（Spectral Clustering）等等。

聚類時，需要實現的目標只是要把相似的東西聚到一起，一個聚類算法只需要知道如何計算相似度就可以開始分類，因此聚類算法並不需要使用訓練資料進行學習。

3. 主成分分析（Principal Component Analysis，PCA）

主成分分析 PCA 是一個在機器學習與統計學領域中被廣泛用來分析資料、降低數據維度以及去關聯的線性降維方法。降維（Dimension reduction）是當資料維度數（變數）很多的時候，嘗試讓維度數（變數）少一點，但資料特性不會差太多的方法。

機器學習使用 PCA 達到降維的目的，主要是為了避免「維數災難」，或稱「維度詛咒」，指當維度增加時，分析和組織高維空間因體積指數增加而遇到各種問題：在機器學習問題中，模型預測能力會隨著維度的增加而減小。

4. 奇異值分解（Singular Value Decomposition，SVD）

奇異值分解 SVD 是線性代數中一種重要的矩陣分解，不光可以用於降維演算法中的特徵分解，還可以用於推薦系統以及自然語言處理等領域。

SVD 矩陣是一個複雜的實復負數矩陣，給定一個 m 行、n 列的矩陣 M，則 M 矩陣可以分解為 M = UΣV。U 和 V 是么正矩陣（unitary matrix），Σ 為對角陣。

SVD 在某些時候可以做為簡化版的 PCA 利用。PCA 演算法可以不用做特徵分解，而是做 SVD 來完成，在樣本量很大的時候很有效。實際上 Python 的免費機器學習庫「scikit-learn」的 PCA 演算法的背後真正的實現就是用 SVD。

獨立成分分析（Independent components analysis，ICA）

ICA 是一種利用統計原理進行計算的方法。前面在主成分分析（PCA）時談到「降維」的方法，但對符合高斯分佈的樣本點比較有效，那麼對於其他分佈的樣本，則是適合用「主元分解」的 ICA。

ICA 會假設現有資料其實是多個彼此獨立的資料、經過混合後成為現有資料，因此期望能夠從手中的資料，回推出是哪些獨立的分配。例如 ICA 的經典問題「雞尾酒會問題」（cocktail party problem）：描述給定混合信號，如何分離出雞尾酒會中同時說話的每個人的獨立信號。

ICA 是研究盲信號分離（blind signal separation）的一個重要方法，並且在實際中也有很多應用。

為何使用 Python 學機器學習、而不是 R 語言？

介紹完當今應用最廣泛、最熱門的幾大機器學習演算法，可以看出從數據分析、統計分析到模型驗證等等都應用在其中。

Python 簡潔易學，原本就適合作為第一個入門的程式語言，而透過如 scikit-learn 的 Python 機器學習套件，在 Python 中提供大量常見的機器學習演算法和許多實用的函式庫，亦能呈現該演算法資料輸出的型態，相當方便。

當然 Python 和 R 語言不是互斥，許多工程師也是在兩者之間切換，但是有鑑於 Python 是當今的通用語言，除了AI人工智慧領域外也可以廣泛應用在各種領域，其免費及開源的特性， 有許多支持 Python 的輔助工具、大型模組與函式庫，可以簡單上手數據分析或複雜的程式計算，以及能與幾乎所有現代作業系統兼容等的特點，讓它脫穎而出。

以投資報酬率而言，若是要從頭開始選擇一種程式語言學習，Python 絕對是最佳的選擇。

推薦閱讀：Python vs R語言：哪個比較適合人工智慧／機器學習？

更多關於機器學習和Python的文章請到本部落格首頁搜尋喔~

其他閱讀

如何使用人工智慧工具，活用 Python 簡化繁瑣的行銷工作？

六個月從工地工人轉職 Java 軟體工程師，全因半年做了「對的決定」

Python vs R語言：哪個比較適合人工智慧／機器學習？

台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>

你家萌寵也能成為人工智慧機器人的訓練師~可能嗎?(上)

人工智慧不僅可以自動駕駛,現在還會打棒球?!(上)

還不了解Python如何應用嗎?三大要點你非知不可!!

想跟上全球狂熱的人工智慧到底要選Python好還是R語言好呢?!!看完今天的文章就會有答案啦!!(下)

本篇為上篇，下篇請點此想發展人工智慧,Python和R語言誰更適合?(上)

R語言

R 語言是由統計學家所開發。任何開發人員只要看一下語法，就能分析、預測。由於該語言包含了機器學習中涉及的數學計算，而機器學習是從統計學中衍生出來的，因此對於希望能深入理解底層細節和構建創新的正確選擇。

如果你的工作需要深入觀察，像是檢驗數據集之類，Ｒ可以替你縮小工作範圍，是最佳選擇。

R 的優勢

適用於分析：如果你的工作需要大量的檢驗數據，R 是最佳選擇，因為它可以快速建模，並與數據集一起搭建 AI/機器學習模型。

大量實用的函式庫和工具：與 Python 類似，R 也有不同的封包，可以提升機器學習模型的結果。例如 Caret 包就支援 AI人工智慧應用，助於有效地建立預測模型。R 開發人員可受惠於這些數據分析包：因為這些封包中包含了針對建模前後階段的特定任務，如模型驗證或數據可視化等。

適用於探索性工作：如果你需要在項目開始的階段，在測量模型中進行探索性研究時，使用 R 語言的話就只需要添加幾行代碼即可完成。

R 的缺點

難學且不容易寫好。身為弱型別（Ｗeak typing）的程式語言，函數經常會回傳預料之外的物件種類。

與其它的語言不同，R 是從 1 開始，不是 0 開始。

結論：

R 和 Python 在機器學習上都有各自的優勢。可以將兩者運用在各自擅長的項目中，互相搭配使用。

一開始我們可以使用 Python 進行資料彙整的階段，再將資料丟到 R 做數據檢驗。按照這些思路，可以將 R 用作 Python 的庫或將 Python 用作 R 的預處理庫。

更多關於Python的相關文章請點閱下方連結!!

其他閱讀

人工智慧、機器人、Python、大數據⋯⋯到底有什麼關係？

AI 人工智慧、ML 機器學習、深度學習、Python 是什麼？

捷克新創Resistant.AI 開發2產品 揪出欺騙人工智慧的詭計

為超越MotoGP冠軍VR46而生：人工智慧重機賽車手MOTOBOT

有關Python的大小問題通通在這裡!!

Python自學筆記:Python中的數據類型

自學Python霧煞煞?也許你是在這些地方搞錯了!!

想跟上全球狂熱的人工智慧到底要選Python好還是R語言好呢?!!看完今天的文章就會有答案啦!!(上)

要是你想要建構一個機器學習的專案，但是又卡在不知道該使用Python 還是 R 語言，恭喜你，你現在看到對的文章了！

這篇文章不只是讓你了解到 Python 與 R 語言的不同，同時也會知道哪個程式語言在多方面都比較佔優勢。現在就讓我們一起深入研究吧！

Python 與 R 語言都具有相同的功能，且是數據科學家間非常熱門的工具。約有 69% 的開發者在人工智慧上使用 Python 語言，R 語言則只佔了 24%。兩者都是免費開源的程式語言，不過 Python 被建構成一種可廣泛使用的程式語言，而 R 語言則是為了統計分析而造。

推薦閱讀：Python 與 R 語言之戰鹿死誰手？盤點 5 個即將消失的程式語言!

人工智慧（AI）與數據分析，是真正可以開源創新的兩個領域。Python 與 R 語言都創造了強大的開源設備與函式庫的環境，可以幫助不同能力水平的數據科學家更有效率的執行工作。

機器學習與數據分析之間的區別，相對來說比較模糊。但是一般認為，機器學習在模型可解釋性上著重在預知的準確程度；而數據分析則著重在事實的推測。 在預知的準確度上，Python 可是有口皆碑的；R 語言則擅長於事實推論與靜態推論。

推薦閱讀：AI 人工智慧、ML 機器學習、深度學習、Python 是什麼？

這並不代表我們要將這兩個語言歸為一類 —— Python 完全可被應用為數據分析工具；R 語言則可以完成機器學習中的一些大工程。兩種語言都有許多能使其達成對方優點的函式庫與封包：像是 Python 有能進行測量後歸納的函式庫；Ｒ則有增強預測準確度的封包。

下一段，我們將會深入說明兩種語言，可以大大地幫助你針對自己的專案，使用合適的語言。

Python 語言

Python 程式語言誕生於 80 年代末期，承擔了推動 Google 內部框架的重責大任。Python 被一群熱情的程式設計師所擁護著，也被廣泛應用在 YouTube、Instagram、Quora 和 Dropbox。Python 也全面被應用在 IT 產業以及開發團隊中的基礎建構。因此若你需要的是一個多工的程式語言以及大量可擴展的 AI 函式庫，Python 是首選。

Python 的優點

多功能 — 如果你的企業需要的不只是測量與統計數據的功能，Python 是首選。例如設計一個功能強大的網站。

平滑的學習曲線 — Python 並不難學，能幫助你短時間內找到熟練的開發人員。

大量的重要函式庫 — Python 以擁有無數的數據組裝與控制函式庫聞名。以 Scikit-realize 為例，它包含了資料探勘與和調查的工具，讓使用 Python 時，增加了超乎想像的 AI 便利性。另一個函式庫 Pandas，給予工程師無可比擬的結構與資訊評估工具，減少了改進的時間。如果你的開發團隊需要 R 語言的其中一個主要功能，則可以使用 RPy2。

更好地整合能力 — P大致上來說，在任何的開發場合，Python 的兼容性比 R 還好。無論是否使用如 C、C++ 等較低階的語言來開發，都能透過 Python 包裝連接更好的組件。而且，讓數據研究人員的將一個基於 Python 建構的函式庫，串接到其他需要完成的工作也很容易。

提高生產力 — Python 語言，比起 R 語言可讀性特別高，幾乎如同人類平時交談用的方言，因此也能提高開發團隊的生產力。

Python 的缺點

缺少公共儲存庫，也沒有某些可選的 R 專用庫。

由於是動態組合，在某些情況下，Python 會造成一些計算錯誤，而這些導致錯誤的因素又不太確定。

本篇為上篇，下篇請點此想發展人工智慧,Python和R語言誰更適合?(下)

更多關於Python的相關文章請點閱下方連結!!

其他閱讀

人工智慧、機器人、Python、大數據⋯⋯到底有什麼關係？

AI 人工智慧、ML 機器學習、深度學習、Python 是什麼？

捷克新創Resistant.AI 開發2產品 揪出欺騙人工智慧的詭計

為超越MotoGP冠軍VR46而生：人工智慧重機賽車手MOTOBOT

有關Python的大小問題通通在這裡!!

Python自學筆記:Python中的數據類型

自學Python霧煞煞?也許你是在這些地方搞錯了!!