内容简介：自己从头写一个算法，不仅能给你带来成就感，也能帮你真正理解算法的原理。可能你之前用 Scikit-learn 实现过算法，但是从零开始写个算法简单吗？绝对不简单。有些算法要比其它算法复杂的多，所以在写算法时可以先从简单的开始，比如单层的感知机。下面就介绍机器学家 John Sullivan 总结出的 6 个步骤，以感知机算法为例，教你从头开始写出一个机器学习算法。文中的方法论同样能应用到其它机器学习算法上。这 6 个步骤是：
自己从头写一个算法，不仅能给你带来成就感，也能帮你真正理解算法的原理。可能你之前用 Scikit-learn 实现过算法，但是从零开始写个算法简单吗？绝对不简单。
有些算法要比其它算法复杂的多，所以在写算法时可以先从简单的开始，比如单层的感知机。
下面就介绍机器学家 John Sullivan 总结出的 6 个步骤，以感知机算法为例，教你从头开始写出一个机器学习算法。文中的方法论同样能应用到其它机器学习算法上。这 6 个步骤是：
- 对算法有个基本的了解
- 寻找实用的学习资源
- 把算法拆成几个部分
- 以一个简单的例子开始
- 使用可靠的实现进行验证
- 整理出写算法的过程
对算法有个基本的了解
如果你不了解算法的基本知识，先不要尝试从头写算法。至少。你应该能回答以下问题：
- 算法的含义？
- 它通常用来干吗？
- 什么时候不能用它？
以感知机为例，我们试着回答这些问题：
单层感知机是最简单的神经网络，通常用于二元分类问题（1或0，“是”或“否”）。
它相当于一个二元分类器，所以只有出现线性决策边界时才会用到它。还有些简单的用途，比如情感分析（正面或负面回应）或贷款违约预测（会违约，不会违约）。在这两类用途中，决策边界都需要是线性的。
如果决策边界是非线性的，那么就不能使用感知机。对于这类问题，需要使用其它算法。
寻找一些学习资源
在对算法有个基本的理解后，就可以开始做点研究了。建议多用一些不同的资源，有些人看书学得快，有些是看视频学得快。学习感知机知识，这里有一些不错的资源：
- 书本：
《统计学习精要》：
《Understanding Machine Learning: From Theory To Algorithms》：
www.cs.huji.ac.il/~shais/Unde…
- 博客：
John Brownslee 写的这篇《用 Python 从头实现感知机算法》：
machinelearningmastery.com/implement-p…
Sebastian Raschka 的博客《单层神经网络与梯度下降》：
sebastianraschka.com/Articles/20…
- 视频：
感知机算法训练：
感知机算法工作原理：
把算法拆成几部分
等收集好资源后，就开始学习了。首先准备好纸笔，我们不是通读整个章节或整篇博客，而是略读章节标题和其它一些重要信息。写下内容要点，试着概述算法。
在看完学习资料后，我们将感知机算法拆成以下几个部分：
- 初始化权重
- 将权重和输入相乘，并求和
- 将结果和阙值进行比较，以计算输出（1或0）
- 更新权重
- 重复
像这样将算法拆成几个部分，学起来会更容易。基本上我们先以伪代码概述算法，再回头填补细节。下图是第二步时John Sullivan所做的笔记，即权重和输入的点积：
以一个简单的例子开始
整理好算法的笔记后，开始用代码实现。在深入研究一个复杂的问题之前，建议先从一个简单的例子开始。对于感知机来说，与非门（NAND gate）是一个完美的简单数据集。如果两个输入都为真（1）则输出为假（0），否则输出为真。以下是数据集的示例：
现在使用一个简单的数据集，开始实现我们在步骤 3 中概述的算法。最好以块的方式写算法，并进行测试，不要试图一次性写完。这样你在刚开始时更容易调试。当然最后可以回去整理一下，使代码看起来更整洁一些。
下面是在第 3 步中算法的点积部分的 Python 代码：
使用可靠的实现进行验证
等写完代码并用小数据集测试以后，接下来尝试较大的数据集。为了确保代码能在更复杂的数据集上正确运行，最好用可靠的实现进行测试。对于感知机来说，我们可以用 Scikit-learn 中的实现。
测试代码时需要查看权重。如果正确地实现了算法，权重应该与 scikit-learn 感知机的权重相匹配。
如果最开始没有得到相同的权重，那么就需要调整 scikit-learn 感知机中的默认设置。如果每次都实现一个新的随机状态，只是一个固定的种子，那么就必须关闭它。在 Jason Sullivan 自己的实践操作中，为了匹配学习率，他将 eta0 改为 0.1。最后，他关闭了 fit_intercept 选项，在特征数据集中包含了一个 1 的虚拟列，所以已经自动拟合了截距（也就是偏置项）。
这就给我们一个很重要的启示。在验证模型的现有实现时，你需要非常了解模型的输入。永远不应盲目地使用模型，要始终对你的假设以及每个输入的确切含义保持怀疑。
整理出写算法的过程
过程的最后一步可能是最重要的，前面完成学习、做笔记、写算法以及将结果和可靠实现比较等这几个步骤后，最后把这个过程整理出来很重要，有两个原因：
- 随着你向别人展示自己所学的东西，你会对算法有更深入的理解；
- 可以作为一项成果，展示给潜在的雇主，作为求职的加分项。使用机器学习库实现一个算法是一回事，自己从头开始写出一个算法是另一回事，而后者给人留下的印象更深刻。
以上就是从头开始实现一个机器学习算法的 6 个步骤，刚开始最好先从简单的算法开始，熟练这套方法论后再扩展到其它更复杂的算法上。
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
- 机器学习算法——感知机&支持向量机
- 清华&商汤开源超高精度边缘感知人脸对齐算法
- Pymetrics开源公平性感知机器学习算法Audit AI
- 从头开始编写任何机器学习算法的6个步骤：感知器案例研究
- 亲手打开EQ系列黑匣子后，Mobileye又给感知算法上了道锁
- 黑芝麻CEO单记章：拒绝激光雷达也可实现L3自动驾驶，改进感知算法是关键
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
XML、JSON 在线转换
在线XML、JSON转换工具
RGB HSV 转换
RGB HSV 互转工具