無論哪種方法，開發(fā)各類機器學習模型是使學習機準確執(zhí)行新的、未知樣本或任務。然后，機器可以通過不斷學習改進這些模型。
“開發(fā)適合數(shù)據(jù)的正確模型就像‘金發(fā)姑娘’(Goldilocks)，” Thompson說。“我們希望不多不少恰到好處。”圖1是“過少”擬合或欠擬合的例子，圖中捕獲數(shù)據(jù)突出模式的預測模型過于簡單。這種模型不能很好地解決未來樣本的工作。Thompson說：“簡約模型好的方面是條件非常少，但這種模型不能很好地完成擬合工作。”
圖1: 欠擬合。
圖 2 過擬合，圖中預測模型過于復雜。Thompson 解釋說：“當我試圖分析新群體時，這種模型泛化不是很好。我想用參數(shù)比較少的方法–也許使用罰函數(shù)或保持函數(shù)–找到更適合數(shù)據(jù)的模型。”
數(shù)據(jù)科學家經(jīng)常使用保持數(shù)據(jù)的均方差或誤判率來衡量模型是否過擬合。但Thompson指出：“一些機器學習算法可以考慮您的模型，看看使用的變量是否過多，并用較少的變量自動調整模型。”
數(shù)據(jù)科學家需要考慮任何復雜性和規(guī)模的數(shù)據(jù)，建立大小適合這些數(shù)據(jù)的模型。他們可能需要考慮所有數(shù)據(jù)或數(shù)據(jù)集建立精確的模型。
更強大的機器學習算法之一是隨機森林，它已成為數(shù)據(jù)挖掘的強大工具。隨機森林采用單個決策樹并將這們組合在一起。新的輸入進入系統(tǒng)后經(jīng)過所有樹。給出經(jīng)過的所有終端節(jié)點的平均值或加權平均值。
Thompson 解釋說，“如果我圍繞隨機森林構建，我可以基于大量隨機數(shù)據(jù)子集建立決策樹，然后對其進行平均，建立最終模型。我還可以在決策樹建立過程中，將不同的變量分在每個分割點。如果我有 100 個變量，我可以僅在分割點隨機查看10 個變量;所以我不僅可以重排觀測值，而且可以重排數(shù)據(jù)。”雖然單一決策樹受高方差或高偏差的影響，但這樣可以平衡兩個極值。
新技術可以查詢計算機隨機存取存儲器 (RAM) 中保存的，以及分布式計算環(huán)境中的數(shù)據(jù)，將處理分在多臺計算機上進行，例如內(nèi)存分析。因此，數(shù)據(jù)科學家可比以往更快地建立隨機森林。
在機器學習模型用于數(shù)據(jù)挖掘業(yè)務應用方面，Thompson指出：“客戶往往不知道他們與客戶合作的預期利潤或成本。采用SAS®企業(yè)級數(shù)據(jù)挖掘器™ (SAS® Enterprise Miner™)進行預測建模時，我盡量選擇能夠最大化利潤或收入的模型。例如，如果我們做與客戶在哪方面合作的決定，這不是肯定或否定的決定。相反，我要確定這個決定可以產(chǎn)生的預期收入。將這種要求加入模型中是非常重要的。”
模型建立之后，需要進行驗證，以確定是否能夠做出有效預測。通常，數(shù)據(jù)科學家采用訓練數(shù)據(jù)集開發(fā)模型，然后利用已知樣本外數(shù)據(jù)測試模型。
如果沒有足夠數(shù)據(jù)在一定程度上支持回歸測試，Thompson說，“人們一般要做數(shù)據(jù)隨機二次抽樣或隨機分層二次抽樣。您還可以使用K-折交叉驗證或留一法 (LOO) 交叉驗證等技術。”
不過，Thompson指出，“如果有一百萬觀察值，事件發(fā)生率為1%，我覺得可以通過評估所有數(shù)據(jù)來了解是否可以分類或預測事件。某些事件發(fā)生率很小的情況，如欺詐，我發(fā)現(xiàn)可以使用過采樣糾正原始數(shù)據(jù)集偏差，開發(fā)偏重小概率事件的有偏樣本建立更好的模型。”
有些開發(fā)的模型用于數(shù)據(jù)庫營銷中評估客戶。例如，營銷人員需要知道哪些客戶最有可能購買針對特定客戶提供特別優(yōu)惠的產(chǎn)品。營銷工作還可以包括概率通常稱為響應率非常低的事件–一般在 1%以內(nèi)。
“如果評估我在數(shù)據(jù)庫營銷中使用的模型，” Thompson 說，“我可以使用統(tǒng)計了解特定文件深度條件下，模型的提升或表現(xiàn)。我可能對模型整體誤判率不感興趣。我只有1%響應率，
因此零模型99%準確。所以，我首先開發(fā)預測，生成提升的預測模型，然后選擇一定深度條件下最大提升的模型。”
a&s傳媒是全球知名展覽公司法蘭克福展覽集團旗下的專業(yè)媒體平臺，自1994年品牌成立以來，一直專注于安全&自動化產(chǎn)業(yè)前沿產(chǎn)品、技術及市場趨勢的專業(yè)媒體傳播和品牌服務。從安全管理到產(chǎn)業(yè)數(shù)字化，a&s傳媒擁有首屈一指的國際行業(yè)展覽會資源以及豐富的媒體經(jīng)驗，提供媒體、活動、展會等整合營銷服務。
粵公網(wǎng)安備 44030402000264號
