机器学习的五大流派

    一不小心就拖更两次，十分抱歉啊

(。・＿・。)ﾉI’m sorry~

     这次给大家带来的介绍是机器学习的五大流派。

    随着时代的发展，我们获取知识的途径，不只是进化、经验以及文化三种形式，计算机也逐渐成为新的途径。不管我们是否有意识到，这种机器学习正在潜移默化改变着我们，那机器是怎么发现知识的呢？

起源学科：逻辑学与哲学

学习方法：逆向演绎，即通过归纳已有的知识去获取规律，再提出假设或者得出结果。可以类比为一位数学家，在进行数字运算并得到最终结果。符号主义使得机器学会了1+1 = 2，2-1=1，之后它一步步学会了解1+x=2的未知方程。

不足：普适性较低，当遇到预设算法之外的内容时，难以自适应处理，可能会得到非常杂乱多变的结果。同时具有较强逻辑链条，过程中每一个小漏洞都有可能随着链条的累计而逐渐放大，从而导致链条崩溃。

而且逆运算的解决多，算法不确定性大，容易犯错，譬如0*x = 0，便有无数的解。

代表算法：决策树

起源学科：神经科学

学习方法：这一流派主要是模仿大脑工作的流程，由多个基础性原理与规则通过正向演绎与反向推测的多点静态结构，在各原理之间搭建桥梁，从而形成一个类似于大脑神经的网络。

不足：庞大的神经系统涉及到无数个节点，而网络对于外部处于黑盒状态。并不能观察中间过程，如果某一节点出现问题，就会导致整个系统出现偏差，这种错误节点的寻找是极其困难的。此时，需要通过反向传播，对比结果并调整每个过程的权重，进行负反馈，直到进行一种较好的状态。

主要算法：反向传播算法，是神经网络的关键算法，其本质是一种拼接数据模型，对网络进行训练从而改变其权重和阈值。它使得机器可以类似刷题一样，进行自主学习、纠错和完善。

起源学科：进化生物学

学习方法：正如自然选择学说里面所阐述的，自然界通过选择、交叉、突变这三个过程，进行优胜劣汰适者生存的结局，我们通过电脑模拟这种进化，确定目标后，寻找到候选解中的最优解。

不足：目前遗传算法才刚刚起步，技术上仍有不成熟的地方，而且遗传会有较多的可能性，不确定的影响因素和难以预测的突变数目过多，难以建立复杂的行为系统。

主要算法：遗传算法，计算机系统的基础编码便是0和1，这一算法模仿基因遗传的做法，通过01进行简单编码，创造一个出事种群，再模拟自然选择机制，测试其在各种环境下的情况，再通过概率化的寻优方法，使得变异朝着最优解方向进行，最终得到更近似的最优解

起源学科：统计学

学习方法：这一流派是基于贝叶斯理论发展的，其核心思想为主观估计概率，修正发生概率，进而选择最优决策。里面的概率是统计学中原理假设概率，会随着新证据的出现不断被修正。

不足：贝叶斯统计有着鲜明的归纳特性，因此如果中图其假设的理论和证据发生了较大偏差，那么其预测概率的准确度会大打折扣。

主要算法：概率推断，事件的发生不是非黑即白的，概率推断是一种根据不确定的信息作出决定时进行的推理方法，譬如天气预报报告降雨概率为90%，此时可能是不会下雨的，这种算法，使得机器可以处理概率信息模型。

起源学科：心理学

学习方法：其核心思想在于相似性原理，新旧知识间具备相似性，但是它们之间存在一条边界线，通过观察相似度寻找到区分的边界线，从而区分新旧知识。

不足：对于核函数的选取，缺乏明确的规则，导致对缺失数据的处理效果差。同时计算效率较低，对大规模数据处理困难，需要耗费大量算力进行超平面计算寻找。

主要算法：支持向量机，其基本思想是在高维空间中寻找一个最优超平面分割数据群体，这个超平面要保证最小的分类错误率。