机器学习--分类问题
分类问题是监督学习的一个核心问题，它从数据中学习一个分类决策函数或分类模 型(分类器（classifier）)，对新的输入进行输出预测，输出变量取有限个离散值。
决策树
决策树（decision tree）是一个树结构，每个非叶节点表示一个特征属性，每个分支
边代表这个特征属性在某个值域上的输出，每个叶节点存放一个类别。
决策过程：从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，
直到到达叶子节点，将叶子节点存放的类别作为决策结果。
给定训练数据，如何构建决策树呢？
1. 特征选择：选取对训练数据具有分类能力的特征。
2. 决策树生成：在决策树各个点上按照一定方法选择特征，递归构建决策树。
3. 决策树剪枝：在已生成的树上减掉一些子树或者叶节点，从而简化分类树模型。
示例：假如我买了一个西瓜，它的特点是纹理清晰、根
蒂硬挺，如何根据右侧决策树判断是好瓜还是坏瓜？
核心算法
ID3算法，C4.5算法及CART算法
决策树特征选择
决策树构建过程中的特征选择是非常重要的一步。特征选择是决定用哪个特征来划分 特征空间，特征选择是要选出对训练数据集具有分类能力的特征，这样可以提高决策树的 学习效率。
信息熵：表示随机变量的不确定性，熵越大不确定性越大。
信息增益：信息增益 = 信息熵(前) - 信息熵(后)
信息增益比： 信息增益比 = 惩罚参数 * 信息增益。特征个数较多时，惩罚参数较小；特征个数较少时，惩罚参数较大。
基尼指数：表示集合的不确定性，基尼系数越大，表示不平等程度越高。
在生成树的过程中，如果没有剪枝（pruning）操作，就会生成一个队训练集完全 拟合的决策树，但这是对测试集非常不友好的，泛化能力不行。因此，需要减掉一些枝 叶，使得模型泛化能力更强。
理想的决策树有三种：叶子节点数最少、 叶子节点深度最小、叶子节点数最少且 叶子节点深度最小。
预剪枝 通过提前停止树的构建而对树剪枝，一旦停止，节 点就是叶子，该叶子持有子集中最频繁的类。 定义一个高度，当决策树达到该高度时就停止生长 达到某个节点的实例具有相同的特征向量 定义一个阈值（实例个数、系统性能增益等） 后剪枝方法 首先构造完整的决策树，然后对那些置信不够的结点子树用叶子结点来代替，该叶子的类 标号用该结点子树中最频繁的类标记。相比于预 剪枝，这种方法更常用，因为在预剪枝方法中精 确地估计何时停止树增长很困难。
贝叶斯分类
贝叶斯分类是基于贝叶斯定理和属性特征条件独立性的分类方法。 贝叶斯流派的核心：Probability theory is nothing but common sense reduced to calculation. 概率论只不过是把常识用数学公式表达了出来。——拉普拉斯
案例：假设春季感冒流行，你同桌打了一个喷嚏，那你
同桌感冒了的概率是多少？
1. 计算先验概率：你同桌没有任何症状的情况下可能得感冒 的概率是多少？
2. 为每个属性计算条件概率：如果你同桌感冒了， 那么 他会打喷嚏的概率是多少， 如果他没感冒， 出现打喷嚏症状的概 率有多少？
3. 计算后验概率：根据1 和2求解最终问题，这才是拥有贝 叶斯思想的你该做的分析。
贝叶斯理论 
贝叶斯分类
举个栗子：一对男女朋友，男生向女生求婚，男生的四个特点分别是不帅，性格不好，身高矮，
不上进，请你判断一下女生是嫁还是不嫁？
贝叶斯分类
优点：
（1） 算法逻辑简单,易于实现
（2）分类过程中时空开销小
缺点： 理论上，朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但是实际上并非总 是如此，这是因为朴素贝叶斯模型假设属性之间相互独立，这个假设在实际应用中往往 是不成立的，在属性个数比较多或者属性之间相关性较大时，分类效果不好。
SVM（支持向量机）
在很久以前的情人节，大侠要去救他的爱人，但魔鬼和他玩了一个游戏。
再之后，人们把这些球叫做 「data」，把棍子叫做 「classifier」, 最大间隙trick 叫做 「optimization」， 拍桌子叫做「kernelling」, 那张纸叫做「hyperplane」。
支持向量机（Support Vector Machine ） 是一种有监督学习方法，它尝试寻找一个最优决 策边界，使距离两个类别最近的样本最远。
。
逻辑回归
最大熵模型
逻辑回归与最大熵模型
集成学习
集成学习通过将多个弱分类器集成在一起，使它们共同完成学习任务，构建一个强分类器。潜在哲 学思想是“三个臭皮匠赛过诸葛亮”。
理论基础 两类集成方法 Bagging(bootstrap aggregating) Boosting（提升方法） 强可学习：在PAC学习框架中，一个概念，如果存在 存在一个多项式的学习算法能够学习它，并且正确率 很高，那么久称这个概念是强可学习的。 弱可学习：如果存在一个多项式的学习算法能够学习 它，学习的正确率金币随机猜测略好，那么就称这个 概念是弱可学习的。 Schapire证明强可学习与弱可学习是等价的，也 就是说，在PAC学习框架下，一个概念强可学习的充 分必要条件是这个概念若可学习的。
