利用機(jī)器學(xué)習(xí)進(jìn)行海量數(shù)據(jù)挖掘

大數(shù)據(jù)時代里，互聯(lián)網(wǎng)用戶每天都會直接或間接使用到大數(shù)據(jù)技術(shù)的成果，直接面向用戶的比如搜索引擎的排序結(jié)果，間接影響用戶的比如網(wǎng)絡(luò)游戲的流失用戶預(yù)測、支付平臺的欺詐交易監(jiān)測等等。機(jī)器學(xué)習(xí)是大數(shù)據(jù)挖掘的一大基礎(chǔ)，本文以機(jī)器學(xué)習(xí)為切入點(diǎn)，將筆者在 大 數(shù)據(jù) 技術(shù)實(shí)踐時的一些經(jīng)驗(yàn)與大家分享。

互聯(lián)網(wǎng)的海量數(shù)據(jù)不可能靠人工一個個處理，只能依靠計算機(jī)批量處理。最初的做法是人為設(shè)定好一些規(guī)則，由機(jī)器來執(zhí)行。比如明確指定計算機(jī)給男性、 30歲的用戶推送汽車廣告。很明顯如此粗略的規(guī)則不會有好效果，因?yàn)閷θ巳旱亩ㄎ徊粔蚓_。要提高精度必須增加對用戶的特征描述。但特征一多規(guī)則就很難制定，即使定下了規(guī)則也沒法根據(jù)實(shí)際情況靈活變化。機(jī)器學(xué)習(xí)可以很好的解決以上問題，從一定程度上賦予了計算機(jī)以“學(xué)習(xí)”的能力，使得千人千面成為可能。

圖 1 面對大量的特征，人工難以確定使用的規(guī)則

有監(jiān)督機(jī)器學(xué)習(xí)技術(shù)

機(jī)器學(xué)習(xí)以統(tǒng)計學(xué)為理論基礎(chǔ)，利用算法讓機(jī)器具有類似人類一般的自動“學(xué)習(xí)”能力，即對已知的訓(xùn)練數(shù)據(jù)做統(tǒng)計分析從而獲得規(guī)律，再運(yùn)用規(guī)律對未知數(shù)據(jù)做預(yù)測分析。機(jī)器學(xué)習(xí)主要包含四大類別： 有監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)，半監(jiān)督學(xué)習(xí)和增強(qiáng)學(xué)習(xí)。

有監(jiān)督學(xué)習(xí)，顧名思義，是在“人類監(jiān)督”下學(xué)習(xí)，要求訓(xùn)練數(shù)據(jù)既有特征也有目標(biāo)，目標(biāo)是人為設(shè)定好的。以文本分類為例，一篇文章的字、詞、句、段是其特征(文本的內(nèi)容是什么)，文章的類別(時事、科技、娛樂等等)就是目標(biāo)。訓(xùn)練集文章的類別是人為設(shè)定的，相當(dāng)于明確告訴機(jī)器什么樣的內(nèi)容該屬于什么類別，機(jī)器在此基礎(chǔ)上總結(jié)規(guī)律。無監(jiān)督學(xué)習(xí)就是數(shù)據(jù)只有特征沒有目標(biāo)，最常見的算法是聚類。聚類算法會把相似的樣本聚集成一個子集，優(yōu)點(diǎn)是數(shù)據(jù)無需人工標(biāo)注，但缺點(diǎn)也很明顯——無法給出子集的實(shí)際含義。半監(jiān)督學(xué)習(xí)介于有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)之間，其訓(xùn)練集數(shù)據(jù)有一小部分是人工標(biāo)注過的。增強(qiáng)學(xué)習(xí)強(qiáng)調(diào)基于環(huán)境而行動，在探索未知領(lǐng)域和遵從現(xiàn)有只是之間尋求平衡。

有監(jiān)督學(xué)習(xí)的研究起步較早，方法比較成熟。在大多數(shù)應(yīng)用場景中，我們希望機(jī)器輸出的結(jié)果具有實(shí)際含義，比如文本分類就是讓機(jī)器告訴我們一篇文章是時事還是科技類文章。這樣的場景下有監(jiān)督學(xué)習(xí)也更為適用。有監(jiān)督學(xué)習(xí)主要包含回歸分析和統(tǒng)計分類兩大類算法。

回歸分析——預(yù)估點(diǎn)擊率的利器

回歸分析建模的是自變量和因變量之間的相關(guān)關(guān)系(如圖2所示)，在機(jī)器學(xué)習(xí)領(lǐng)域，自變量是樣本的特征向量，因變量是預(yù)測值?；貧w分析最經(jīng)典的應(yīng)用場景是廣告點(diǎn)擊率(CTR)預(yù)估。簡單而言，CTR預(yù)估是根據(jù)用戶數(shù)據(jù)和廣告數(shù)據(jù)，估計用戶點(diǎn)擊某個廣告的可能性大小。我們假設(shè)用戶數(shù)據(jù)+廣告數(shù)據(jù)和廣告點(diǎn)擊率之間的關(guān)系符合某個分布，使用回歸分析方法在已有點(diǎn)擊數(shù)據(jù)上擬合出該分布。達(dá)觀科技在線上預(yù)測時就把用戶數(shù)據(jù)和廣告數(shù)據(jù)作為輸出傳給擬合出的分布，得到用戶點(diǎn)擊該廣告的概率值。

圖 2 回歸分析示意圖

統(tǒng)計分類——被廣泛應(yīng)用的機(jī)器學(xué)習(xí)方法

統(tǒng)計分類要解決的問題是，如何將一個樣本點(diǎn)分到類別集合中的一個或多個類，比如圖3所表示的就是將數(shù)據(jù)分為3個類。

圖 3 統(tǒng)計分類示意圖

現(xiàn)實(shí)場景中我們往往需要把數(shù)據(jù)分成不同的類別，以方便我們分析和使用，因而統(tǒng)計分類方法具有廣闊的應(yīng)用范圍。達(dá)觀數(shù)據(jù)團(tuán)隊(duì)開發(fā)的用戶建模、內(nèi)容審核系統(tǒng)、反作弊系統(tǒng)等都使用到了統(tǒng)計分類模型。比如反作弊系統(tǒng)，目的是區(qū)分用戶行為是否作弊，抽象出來就是個分類問題：輸入是用戶的各種行為數(shù)據(jù)經(jīng)過處理后得到的特征，輸出只有兩個類別——“作弊”和“非作弊”。接下來我就簡單介紹一下最具代表性的分類算法——支持向量機(jī)(Support Vector Machine, SVM)，一窺機(jī)器學(xué)習(xí)的工作原理。SVM絕不是入門級的機(jī)器學(xué)習(xí)算法，選擇介紹它是因?yàn)椋瑱C(jī)器學(xué)習(xí)需要解決的數(shù)據(jù)線性不可分、過擬合等問題，SVM都給出了比較可靠的解決方案，借此我們也可以對機(jī)器學(xué)習(xí)有個大概的認(rèn)識。

理想情況下SVM的理論模型

SVM針對分類問題的前提假設(shè)直觀易懂，由此推演出的模型求解過程也是順理成章一氣呵成。我們通常先從最簡單的情況入手，假設(shè)數(shù)據(jù)是線性可分的。 SVM認(rèn)為此時的最優(yōu)分類面，是使得樣本集到分類面的最小幾何距離最大化的超平面，這個距離成為“間隔(margin)”。如圖4所示，黑色實(shí)線就是最優(yōu)分類面，兩邊兩條虛線之間的幾何距離就是此時的最優(yōu)間隔。數(shù)據(jù)點(diǎn)離分類面越遠(yuǎn)，分類的置信度也越高。

圖 4 SVM最優(yōu)分類面示意圖

SVM假設(shè)線性分類面的函數(shù)形式為

(1)

鑒于篇幅關(guān)系，我們略去推導(dǎo)過程。在最大化間隔的假設(shè)下，可以得到SVM的原目標(biāo)函數(shù)為：

(2)

其中表示第i個樣本的特征向量，是第i個樣本的類標(biāo)簽，SVM令。由約束條件可知，樣本點(diǎn)必然落在最優(yōu)間隔的邊緣(圖4中虛線)上或外面，通過推導(dǎo)分析最終可以知道，只有落在間隔邊緣上的少量數(shù)據(jù)點(diǎn)決定了分類面，這些樣本被稱為支持向量，而其他的點(diǎn)沒有任何作用。這一特性大大節(jié)省了求解SVM的計算量。

線性不可分情況的處理

按照達(dá)觀數(shù)據(jù)的經(jīng)驗(yàn)，真實(shí)環(huán)境的問題往往是線性不可分的，數(shù)據(jù)采集的時候也不可避免的會引入噪聲。應(yīng)對這兩種情況只需對原始SVM模型做有限的一點(diǎn)改進(jìn)。針對數(shù)據(jù)線性不可分的情況，SVM通過引入核函數(shù)(Kernel Function)將數(shù)據(jù)映射到高維空間來解決，圖5直觀的表示了映射的過程。核函數(shù)實(shí)際上是兩個數(shù)據(jù)點(diǎn)在高維空間中的內(nèi)積。它先在原空間進(jìn)行計算再將結(jié)果映射到高維空間，避免了先把數(shù)據(jù)點(diǎn)映射到高維空間再計算所可能導(dǎo)致的維數(shù)災(zāi)難問題。核函數(shù)可以從容的處理包括無限維在內(nèi)的任何特征空間映射。

圖 5 SVM核函數(shù)的作用原理圖

SVM如何規(guī)避過擬合

過擬合(Overfitting)表現(xiàn)為在訓(xùn)練數(shù)據(jù)上模型的預(yù)測錯誤很低，在未知數(shù)據(jù)上預(yù)測錯誤卻很高。圖6的藍(lán)色曲線代表訓(xùn)練錯誤，紅色曲線代表真實(shí)錯誤，可以看到隨著模型復(fù)雜度的升高，模型對訓(xùn)練數(shù)據(jù)的擬合程度越好(訓(xùn)練錯誤越低)，但到了一定程度之后真實(shí)錯誤反而上升，即為過擬合。

圖 6 過擬合

過擬合主要源于我們采集的訓(xùn)練樣本帶有噪聲，有部分樣本嚴(yán)重偏離其正常位置，統(tǒng)計學(xué)上稱之為outlier。前面已經(jīng)提到，決定SVM最優(yōu)分類面的只是占少數(shù)的支持向量，如果碰巧這些支持向量中存在outlier，而我們又要求SVM盡可能完美的去擬合這樣的數(shù)據(jù)，得到的分類面可能就會有問題。如圖7所示，黑色加粗虛線代表最優(yōu)分類面，帶黑圈的藍(lán)色數(shù)據(jù)點(diǎn)代表outlier?？梢钥吹?/span>outlier嚴(yán)重偏離了正常藍(lán)色數(shù)據(jù)點(diǎn)的位置，所在位置又恰巧使其成為了支持向量，導(dǎo)致了最終的分類面(深紅色實(shí)線)嚴(yán)重偏離最優(yōu)分類面。