機器學習分析方法有哪些

　　近二十年來，機器學習方法的發展為我們的生活帶來許多便利。智慧網路搜尋、語音識別，乃至無人超市、無人駕駛汽車等，依託於機器學習方法的新事物正迅速地在生活中普及。想了解更多機器學習分析方法的資訊嗎，和小編一起看看吧!

　　機器學習分析方法一、有監督意味著需要人工標註，需要人為的給文字一個類標籤

　　比如我有5000條商品評論，如果我要把這些評論分成積極和消極兩類。那我就可以先從裡面選2000條評論，然後對這2000條資料進行人工標註，把這2000條評論標為“積極”或“消極”。這“積極”和“消極”就是類標籤。

　　假設有1000條評論被標為“積極”，有1000條評論被標為“消極”。***兩者數量相同對訓練分類器是有用的，如果實際中數量不相同，應該減少和增加資料以使得它們數量相同***

　　機器學習分析方法二、之後就要選擇特徵

　　特徵就是分類物件所展現的部分特點，是實現分類的依據。我們經常會做出分類的行為，那我們依據些什麼進行分類呢?

　　舉個例子，如果我看到一個年輕人，穿著新的正裝，提著嶄新的公文包，快步行走，那我就會覺得他是一個剛入職的職場新人。在這裡面，“嶄新”，“正裝”，“公文包”，“快步行走”都是這個人所展現出的特點，也是我用來判斷這個人屬於哪一類的依據。這些特點和依據就是特徵。可能有些特徵對我判斷更有用，有些對我判斷沒什麼用，有些可能會讓我判斷錯誤，但這些都是我分類的依據。

　　我們沒辦法發現一個人的所有特點，所以我們沒辦法客觀的選擇所有特點，我們只能主觀的選擇一部分特點來作為我分類的依據。這也是特徵選擇的特點，需要人為的進行一定選擇。

　　而在情感分類中，一般從“詞”這個層次來選擇特徵。

　　比如這句話“手機非常好用!”，我給了它一個類標籤“Positive”。裡面有四個詞***把感嘆號也算上***，“手機”，“非常”，“好用”，“!”。我可以認為這4個詞都對分類產生了影響，都是分類的依據。也就是無論什麼地方出現了這四個詞的其中之一，文字都可以被分類為“積極”。這個是把所有詞都作為分類特徵。

　　同樣的，對這句話，我也可以選擇它的雙詞搭配***Bigrams***作為特徵。比如“手機非常”，“非常好用”，“好用 !”這三個搭配作為分類的特徵。以此類推，三詞搭配***Trigrams***，四詞搭配都是可以被作為特徵的。

　　機器學習分析方法三、再之後特徵要降維

　　特徵降維說白了就是減少特徵的數量。這有兩個意義，一個是特徵數量減少了之後可以加快演算法計算的速度***數量少了當然計算就快了***，另一個是如果用一定的方法選擇資訊量豐富的特徵，可以減少噪音，有效提高分類的準確率。

　　所謂資訊量豐富，可以看回上面這個例子“手機非常好用!”，很明顯，其實不需要把“手機”，“非常”，“好用”，“!”這4個都當做特徵，因為“好用”這麼一個詞，或者“非常好用”這麼一個雙詞搭配就已經決定了這個句子是“積極”的。這就是說，“好用”這個詞的資訊量非常豐富。

　　那要用什麼方法來減少特徵數量呢?答案是通過一定的統計方法找到資訊量豐富的特徵。

　　統計方法包括：詞頻***Term Frequency***、文件頻率***Document Frequency***、互資訊***Pointwise Mutual Information***、資訊熵***Information Entropy***、卡方統計***Chi-Square***等等。

　　在情感分類中，用詞頻選擇特徵，也就是選在語料庫中出現頻率高的詞。比如我可以選擇語料庫中詞頻最高的2000個詞作為特徵。用文件頻率選特徵，是選在語料庫的不同文件中出現頻率最高的詞。而其它三個，太高階冷豔，表示理解得還不清楚，暫且不表。。。

　　不過意思都是一樣的，都是要通過某個統計方法選擇資訊量豐富的特徵。特徵可以是詞，可以是詞組合。

　　機器學習分析方法四、把語料文字變成使用特徵表示

　　在使用分類演算法進行分類之前，第一步是要把所有原始的語料文字轉化為特徵表示的形式。

　　還是以上面那句話做例子，“手機非常好用!”

　　如果在NLTK 中，如果選擇所有詞作為特徵，其形式是這樣的：[ {“手機”: True, “非常”: True, “好用”: True, “!”: True} , positive]

　　如果選擇雙詞作為特徵，其形式是這樣的：[ {“手機非常”: True, “非常好用”: True, “好用 !”: True} , positive ]

　　如果選擇資訊量豐富的詞作為特徵，其形式是這樣的：[ {“好用”: True} , positive ]

　　***NLTK需要使用字典和陣列兩個資料型別，True 表示對應的元素是特徵。至於為什麼要用True 這樣的方式，我也不知道。。。反正見到的例子都是這樣的。。。有空再研究看是不是可以不這樣的吧***

　　無論使用什麼特徵選擇方法，其形式都是一樣的。都是[ {“特徵1”: True, “特徵2”: True, “特徵N”: True, }, 類標籤 ]

　　機器學習分析方法五、把用特徵表示之後的文字分成開發集和測試集，把開發集分成訓練集和開發測試集

　　機器學習分類必須有資料給分類演算法訓練，這樣才能得到一個***基於訓練資料的***分類器。

　　有了分類器之後，就需要檢測這個分類器的準確度。

　　根據《Python 自然語言處理》的方法，資料可以分為開發集合測試集。開發集專門用於不斷調整和發現最佳的分類演算法和特徵維度***數量***，測試集應該一直保持“不被汙染”。在開發集開發完畢之後，再使用測試集檢驗由開發集確定的最佳演算法和特徵維度的效果。具體如圖：

　　圖2：開發集和測試集***摘自《Natural Language Processing with Python》***

　　一般來說，訓練集的數量應該遠大於測試集，這樣分類演算法才能找出裡面的規律，構建出高效的分類器。

　　用回前面的例子。假設2000條已經標註了積極和消極的評論資料，開發集可以是隨機的1600條，測試集是剩餘的隨機400條。然後開發集中，訓練集可以是隨機的1400條，開發測試集是200條。

　　機器學習分析方法六、用不同的分類演算法給訓練集構建分類器，用開發測試集檢驗分類器的準確度

　　這個時候終於可以使用各種高階冷豔的機器學習演算法啦!

　　我們的目標是：找到最佳的機器學習演算法。

　　可以使用樸素貝葉斯***NaiveBayes***，決策樹***Decision Tree***等NLTK 自帶的機器學習方法。也可以更進一步，使用NLTK 的scikit-learn 介面，這樣就可以呼叫scikit-learn 裡面的所有，對，是所有機器學習演算法了。我已經忍不住的淚流滿面。

　　其實方法很容易。只要以下五步。

　　1. 僅僅使用開發集***Development Set***。

　　2. 用分類演算法訓練裡面的訓練集***Training Set***，得出分類器。

　　3. 用分類器給開發測試集分類***Dev-Test Set***，得出分類結果。

　　4. 對比分類器給出的分類結果和人工標註的正確結果，給出分類器的準確度。

　　5. 使用另一個分類演算法，重複以上三步。

　　在檢驗完所有演算法的分類準確度之後，就可以選出最好的一個分類演算法了。

　　在選出最好的分類演算法之後，就可以測試不同的特徵維度對分類準確度的影響了。一般來說，特徵太少則不足以反映分類的所有特點，使得分類準確率低;特徵太多則會引入噪音，干擾分類，也會降低分類準確度。所以，需要不斷的測試特徵的數量，這樣才可以得到最佳的分類效果。