在第一部分中，我们解释了什么是ML和一些机器学习算法。 在这一新部分中，我们将更深入地介绍可以帮助我们教会机器完成任务的其他方法。
SVM（支持向量机）
现在，我们看到了另一种考虑更多方法。 在此示例中，我们有三个红色点和三个灰色点，并用多条线隔开。
现在我们将研究哪一条线最适合数据。
我们可以看到，绿线离点很近，而粉红线离点不那么近。 粉红线似乎离圆点足够远，因此能够将它们很好地分开。 粉红线在这里胜过绿线。 从对数回归中，我们必须解释如何找到最适合这些点的线。 我们应该处理从点到线的距离。 在这里，我们可以查看每个点到直线的距离，发现在这些距离下的最小值是各个点距直线的距离。
通过仅查看六个距离中的最小距离，我们可以忽略距离直线很远的点。
由此可以得出结论，粉红色的线可以更好地分离数据，因为粉红色的线的最小值大于绿线的最小值。 此处的目标是像以前的方法一样通过使用梯度下降来最大化距离。 该算法称为支持向量机（SVM）。 这里的支持向量是超平面封闭的点。 粉红线是分隔点的超平面。 SVM可用于分类任务。
神经网络
在这里，我们将继续我们的肿瘤数据。 现在，数据的排列方式如下图所示。 这是一个新模型。
有时数据可以这样排列：
不幸的是，在这种情况下，我们无法使用一行来分隔数据。
我们可以使用多条直线或一个圆来分隔数据。
通过使用梯度下降，我们可以最小化误差函数并找到这些线。 这种方法称为神经网络。 该名称来自于人脑如何工作的灵感，特别是在多任务处理时。 例如。 一个人可以在操纵手机的同时走在大街上（可能会有危险）。
现在让我们说我们有一台功率较低的计算机，并且不能同时执行多个任务。 例如，如果我们想知道新数据是否属于恶性肿瘤类型，就必须将大任务分为许多小任务。 第一个任务或问题是：新数据是否在紫色线上？
答案是肯定的。 下一个问题是：新数据是否在绿线上？
答案也将是。 两个答案为是，我们可以得出结论，新数据是恶性肿瘤。
因此，我们可以用"是"或"否"来完成其他区域。
因此，右下角的区域将回答1-否/ 2-是。 在左上方区域，我们将具有1-是/ 2-否，最后在左下方区域中，我们将具有1-否/ 2-否。 现在，我们可以在具有以下节点的图中表示任务：
对于这个带有绿色节点的小图，我们提出一个问题，即是否具有坐标（重复率grad = 70％，生长速度grad = 20％）的数据是否超过了绿线，答案是否定的。 对另一个图形执行相同的过程，其中另一个问题是，坐标是否为数据（递归grad = 70％，生长速度grad = 20％）是否在紫色线上，并且答案是否定的。
对于下一个问题，我们只是将上面两个图的输出合并到一个新节点。
这两个值的组合是使用AND逻辑完成的。 让我们看一下这个AND运算符。
它有两个输入，是和否（或数字0和1），并有一个输出。 如果我们输入Yes和No（或1和0），则输出将为No（或0）。 如果输入No和No（或0和0），则输出将为No（或0）。
新节点与两个小图的组合称为神经网络。 在神经网络中，我们首先具有输入层，在其中输入递归grad = 70％和增长速度grad = 20％。 然后，将有关输入层中grad的信息转发到中间层。 来自中间层的节点的答案是否定的。 然后将这些信息转发到输出层，并通过和逻辑进行评估，并且和逻辑或神经网络的输出为否。
可以将其他层和节点添加到此网络以解决更复杂的任务。
这是一种强大而强大的机器学习算法。 它被用于许多项目中，例如驾驶员辅助系统，草书手写识别，使用TNA（热中子分析）检测手提箱中的炸弹，并可能在将来用于阅读心智检查等等。
内核方法
在这个新示例中，我们将看到一种新方法，该方法可以将线性不可分离的数据转换为线性可分离的数据。 我们的要点安排如下。
在这些情况下，不可能使用线来分隔点。
在这里，我们必须以不同的方式进行。 我们可以想象这些点显示在网格中，然后使用曲线将它们分开。
同样，我们可以想象这些点在空间中，并使用一个计划将它们分开。 为此，我们添加了一个附加轴，即z轴。 然后，通过将2D中的点的坐标（x，y）与3D中的坐标（x，y，z）进行匹配，使两个红色点在z轴上移动，其中z可以是取决于x或y的方程，例如x³y ，x +y²，…随后，我们将能够使用计划分离点。
这两个技巧是相同的。 这种方法主要用于支持向量机，称为内核技巧。 我们将继续以（a）中排列的点和曲线作为分隔符的方式继续。 为了分离点，我们将使用一些方程式来帮助我们分离点。 我们有xy，x + y，x²，x³。
点的坐标应用于方程式中。 输出将为我们提供更多有关等式或函数将点分开的信息。 我们使用表格来显示结果。
第一行对应于点的坐标（从左到右），第一列包含等式。 我们可以在表中看到所有结果。 例如。 对于x³中的（4,0），使5x5x5 = 125，对于x + y中的（1,3），我们有1 + 3 = 4。
现在的问题是，哪个等式将点分开。 首先，我们有x + y。 我们可以看到两个蓝色点和两个红色点的坐标具有相同的结果，即4。因此，该方程式无法将这些点分开。 对于x²和x³，可以看出，蓝色和红色点的结果不同，并且红色点的值介于蓝色点的值之间。 因此，这些方程式也无法将点分开。 最后，我们有xy，请注意，蓝色点的值相同，而红色点的值相同。3。该函数可以将点分开，因为它为我们提供了一个红色点的值和一个红色点的值。 蓝点。
蓝点的xy = 0，红点的xy = 3。 我们知道1和2在和0和3之间，所以1和2分别在0和3之间。这使我们得到方程xy = 1和xy = 2，从而得到函数y = 1 / x和y = 2 / x。
由此得出的结论是，函数1 / x（或2 / x）将计划中的点分开。
使用该方法，可以将非线性数据映射到更高维（n-dim）的空间。 在这个新空间中，可以使用平面或曲线轻松分离数据。 此方法可用于手写识别，3D重建，地统计等。
结论
在本文中，我们分为两部分，我们看到了机器学习中使用的几种重要算法。 目的是使用各种示例以简单的方式向他们解释算法。 现在我们到达了"轻松潜水"的结尾。
因此，祝您在美丽的机器学习世界中玩得开心。
一些很好的参考
[1]伊恩·古德费洛（Ian Goodfellow），约书亚（Yoshua Bengio）和亚伦·库维尔（Aaron Courville）。 深度学习。 ISBN9780262035613。。
[2] Christoph H. Lampert。 计算机视觉中的内核方法。 计算机图形学和视觉的基础和趋势。 网址
(本文翻译自Didier Itembe的文章《Machine Learning Algorithms from the Easy Side (Part 2)》，参考：https://towardsdatascience.com/machine-learning-algorithms-from-the-easy-side-part-2-8b54e1cc4efb)
閱讀更多 聞數起舞 的文章
