前言文章阐明了人工智能和机器学习分支中“基于模型”和“基于实例”学习的基本原则和区别。 目录 简介 “泛化”与“记忆”背后的本能想法 “基于模型”学习背后的概念 “基于实例”学习背后的概念 摘要 参考资料 简介 “基于实例”和“基于模型”是各种机器学习算法用来执行任务的两种不同类型的学习方法。 我们知道，任何预测模型的最终目标都是学习数据中隐藏的模式，并根据其学到的知识以合理的准确度预测值。算法使用两种不同的方法来了解数据—— 概括 背诵 “泛化”与“记忆”背后的本能想法 在进入数学概念之前，让我们先看一个简单的故事。约翰和约瑟夫是最好的朋友，他们总是在考试中取得好成绩。他们学校还有一个学生叫凯文。由于凯文学习有点差，所以他请求他们两个帮助他学习，这样他也能在考试中取得好成绩。约翰和约瑟夫都同意他们将教他这些科目。 第一天，凯文去约翰家学习数学。约翰向凯文解释了所有深入的概念，并教他各种场景和解决不同类型问题的方法。他还训练Kevin解决了很多样题，让他理解了考试中内容和权重相近的题目和题目。凯文感到非常自信和快乐。此外，他感谢约翰并离开了他的房子。 Tra Nguyen 摄 第二天，凯文去约瑟夫家学习科学。约瑟夫问他是否想了解有关该主题的所有深入概念和理论，或者他是否只想要将出现在试卷上的问题列表，因为通过记住所有重要问题，可以获得高分即使不理解每个答案背后的概念。凯文本质上是一个懒惰的男孩。所以，他说他不想花精力去学习概念，他只需要重要问题的清单，这样他就可以记住这些答案。约瑟夫列出了 50 个重要问题和答案，并要求记住全部内容。 德米特里·拉图什尼 ( Dmitry Ratushny) 摄 终于，考试的日子到了。第一次考试是数学。试卷有很多棘手的问题，但凯文从约翰那里学到了很好的概念理解。他解决了几乎所有的问题，并有信心获得90%的分数。 第二个考试是科学。当凯文收到试卷时，他很惊讶，因为大部分问题都来自他已经记住的问题和答案列表。他把所有的答案都记了下来，工整地写了下来。因此，在科学方面，他也非常有信心获得 90% 的分数。尽管他没有做任何概念性的事情，但他写下了他所记住的所有东西并达到了他的目的。 上的 绿色变色龙 在 Unsplash 照片 数学遵循的学习模式称为 ，科学遵循的学习模式称为 。希望你喜欢这个故事。现在我们可以转到机器学习解释。 “概括” “记忆” “基于模型”学习背后的概念 在泛化中，模型总是试图了解问题的内在模式、行为和整体概念。 例如， 我们都知道 的公式。它表示为- “线性回归” Y = m1x1 + m2x2 +... mnxn + c 在哪里， Y = 因变量 x1,x2 ..xn 是自变量 m1, m2 ...mn 是相应自变量的斜率。 c是截距 假设我们开发了一个线性回归模型，可以根据一个人的年龄、身高和父母的身高来预测他/她的体重。该模型的数学表示如下- 体重 = 0.3*(身高) + 0.2*(年龄) + 0.4*(父亲身高) + 0.1*(母亲身高) + 2 这里，0.3、0.2、0.4 和 0.1 是我们在广泛的超参数调整过程后得出的斜率值。同样，2 是回归平面的截距值。 视觉表示有点像这样 - 图片由作者绘制 在这里，每个特征都是一个维度，数据点将投影到这个多维空间中。在这个过程之后，我们将推导出一个可以通过这些维度的回归平面。特定“身高”、“年龄”、“父亲身高”和“母亲身高”的预测值（体重）不过是该回归平面对应于特征维度轴坐标的值。 另一方面，该模型试图理解年龄、身高等变量之间的线性关系，并推导出一个假想超平面，该超平面可以近似表示基于该空间中许多自然设计形式（如线性、同方差、自相关）的预测值， ETC。 该模型将尝试以一种通用的方式制作超平面，以便预测的整体误差较低，即数据点与回归平面之间的距离尽可能低。它能够推导出这个广义超平面，因为它对数据进行了学习，以在 ML 训练活动中找到空间中的各种模式。 让我们通过另一个名为 的算法再举一个例子。 “支持向量机” 支持向量机是一种监督机器学习算法，广泛用于预测标记数据点的类别。 例如- 预测一个人是男是女 预测水果是苹果还是橙子 预测学生是否会通过考试等。 SVM 使用一个可以跨越多个维度的假想平面来进行预测。这些可以穿越多个维度的假想平面称为超平面。很难用人脑想象更高的维度，因为我们的大脑天生只能可视化最多 3 个维度。 让我们举一个简单的例子来理解这个场景。 我们有一个分类问题来预测学生是否会通过考试。我们有以下特征作为自变量- 内部考试分数 项目中的标记 出勤率 所以，这 3 个自变量变成了这样的空间的 3 个维度 - 图片由作者绘制 让我们考虑一下我们的数据点看起来像这样—— 绿色代表通过考试的学生 红色代表考试不及格的学生 图片由作者绘制 现在，SVM 将创建一个穿越这 3 个维度的超平面，以区分失败和通过的学生- 图片由作者绘制 因此，从技术上讲，现在模型明白落在超平面一侧的每个数据点都属于通过考试的学生，反之亦然。正如我们在线性回归中看到的那样，SVM 超平面也是作为复杂超参数调整的最终结果创建的，并且由 ML 模型完成的学习作为其训练活动的一部分。 您是否发现上述 2 种算法的学习方法有任何相似之处？ 他们都试图了解整个空间的性质、数据点之间的隐藏模式以及各种优化技术以最小化错误，从而推导出一个广义的数学函数来解决问题。这种方法称为 。 “基于模型的学习” 遵循用于预测目的的泛化过程的模型学习方法称为基于模型的学习。 “基于实例”学习背后的概念 现在我们来看另一个例子，我们需要实现 算法。 “K最近邻” 我们可以考虑我们为 SVM 示例假设的相同场景。在这里，我们还需要预测学生是否会通过考试。我们的数据看起来像这样—— 图片由作者绘制 现在，根据 KNN 算法，我们应该确定 值，并注意每个未标记数据点的“K”个最近邻居的类别。未标记数据点的预测值将是在“K”个最近邻中具有多数参与的类别。 “K”（邻居数）的 假设我们指定了 K =3 的值。此外，数据点“a”、“b”和“c”是未标记的数据点，我们需要使用该模型预测其类别。 图片由作者绘制 对于数据点“a”，所有 3 个邻居都是“红色”。因此我们可以预测，这个学生很可能会考试不及格。 对于数据点“b”，3 个邻居中有 2 个是“红色”，1 个邻居是“绿色”。大多数“K”最近邻属于“失败”类。因此我们可以预测，这个学生很可能会考试不及格。如果 3 个邻居中至少有 2 个是“绿色”，我们会预测该学生将通过考试，因为在这种情况下大多数人将支持“通过”班级。 对于数据点“c”，所有 3 个邻居都是“绿色”。因此我们可以预测这个学生很可能会通过考试。 您是否观察到 KNN 的工作过程与前面提到的其他 2 种算法之间有什么显着差异？ 实际上，KNN 没有经过任何训练过程。它没有了解数据点之间的模式或关于空间的数学假设，甚至没有尝试推导任何数学函数来映射自变量和因变量。研究人员需要仔细优化的唯一变量是“K”的值。它只是记住在其邻居中选择多数类并将其作为预测值的过程。它不使用任何泛化技术作为任何数学函数的一部分。相反，只需记住投票的原则并为每个未标记的数据点重复该任务。这个过程称为 。 “记忆” 遵循用于预测目的的记忆过程的模型学习方法称为基于实例的学习。 摘要 基于模型的学习侧重于发现数据点之间隐藏模式的过程，从而通过 优化参数。基于实例的学习不会训练整个数据集。相反，它仅通过遵循研究人员配置的一些简单规则来预测特定的未标记数据点。 对整个数据集的训练来 在基于模型的学习中，我们可以从系统中 ，因为模型已经从该数据集中学习了所有模式。然而，在基于实例的学习中，训练数据应该保持原样，因为模型使用全部或部分训练样本的标签来进行预测。 删除训练数据 在基于模型的学习中，预测将是一个 。然而，在基于实例的学习中，预测会比较慢，因为它没有任何数学函数来快速传递输入值并导出输出。相反，它需要花一些时间通过将每个未标记的数据点与各种训练样本进行比较来进行比较和基于规则的决策。换句话说，这些模型会延迟处理，直到必须对新实例进行分类。由于这个原因，他们也被称为惰性学习者。 快速的过程 基于实例的学习者很容易被提供 所愚弄。然而，在基于模型的学习中，模型将了解各种特征的重要性，因为它们正在经历各种优化技术。 不相关的特征 基于实例的学习器擅长 ，并且不会丢失任何信息。但是，基于模型的学习器无法很好地管理嘈杂的数据点。通常在预建模阶段从数据集中消除异常值和异常值以应对这一挑战。但需要注意的是，消除异常值会导致丢失一些有关数据集整体特征的信息，这些信息可能会影响模型的预测能力。 处理嘈杂的数据 参考资料 沃尔特·戴勒曼斯 ； 安塔尔范登博斯 (2005)。基于记忆的语言处理。剑桥大学出版社。 罗素，斯图尔特 J。 Norvig, Peter (2003)， 人工智能：现代方法 （第 2 版），新泽西州 Upper Saddle River：Prentice Hall，p. 260, 书号 0-13-790395-2 D.兰德尔·威尔逊；托尼·R·马丁内斯 (2000)。 “基于实例的学习算法的减少技术”。 机器学习 。 内政部 牛顿·李 (1990)。 “在专家系统中集成基于规则和基于模型的推理的计算范式”。国际智能系统杂志。威利。 5 (2): 135–151。 ： 10.1002/ int.4550050202 。
