選自 | machinelearningmastery

作者 |?Jason Brownlee

編譯 | 機(jī)器之心? ?參與 | 張倩、劉曉坤

本文介紹了 10 個(gè)常見機(jī)器學(xué)習(xí)案例，這些案例需要用線性代數(shù)才能得到最好的理解。

線性代數(shù)是數(shù)學(xué)的分支學(xué)科，涉及矢量、矩陣和線性變換。

它是機(jī)器學(xué)習(xí)的重要基礎(chǔ)，從描述算法操作的符號(hào)到代碼中算法的實(shí)現(xiàn)，都屬于該學(xué)科的研究范圍。

雖然線性代數(shù)是機(jī)器學(xué)習(xí)領(lǐng)域不可或缺的一部分，但二者的緊密關(guān)系往往無(wú)法解釋，或只能用抽象概念（如向量空間或特定矩陣運(yùn)算）解釋。

閱讀這篇文章后，你將會(huì)了解到：

• 如何在處理數(shù)據(jù)時(shí)使用線性代數(shù)結(jié)構(gòu)，如表格數(shù)據(jù)集和圖像。

• 數(shù)據(jù)準(zhǔn)備過(guò)程中用到的線性代數(shù)概念，例如 one-hot 編碼和降維。

• 深度學(xué)習(xí)、自然語(yǔ)言處理和推薦系統(tǒng)等子領(lǐng)域中線性代數(shù)符號(hào)和方法的深入使用。

讓我們開始吧。

這 10 個(gè)機(jī)器學(xué)習(xí)案例分別是：

1. Dataset and Data Files 數(shù)據(jù)集和數(shù)據(jù)文件

2. Images and Photographs 圖像和照片

3. One-Hot Encoding one-hot 編碼

4. Linear Regression 線性回歸

5. Regularization 正則化

6. Principal Component Analysis 主成分分析

7. Singular-Value Decomposition 奇異值分解

8. Latent Semantic Analysis 潛在語(yǔ)義分析

9. Recommender Systems 推薦系統(tǒng)

10. Deep Learning 深度學(xué)習(xí)

? ?1. 數(shù)據(jù)集和數(shù)據(jù)文件

在機(jī)器學(xué)習(xí)中，你可以在數(shù)據(jù)集上擬合一個(gè)模型。

這是表格式的一組數(shù)字，其中每行代表一組觀察值，每列代表觀測(cè)的一個(gè)特征。

例如，下面這組數(shù)據(jù)是鳶尾花數(shù)據(jù)集的一部分

數(shù)據(jù)集：http://archive.ics.uci.edu/ml/datasets/Iris

5.1,3.5,1.4,0.2,Iris-setosa 4.9,3.0,1.4,0.2,Iris-setosa 4.7,3.2,1.3,0.2,Iris-setosa 4.6,3.1,1.5,0.2,Iris-setosa 5.0,3.6,1.4,0.2,Iris-setosa

這些數(shù)據(jù)實(shí)際上是一個(gè)矩陣：線性代數(shù)中的一個(gè)關(guān)鍵數(shù)據(jù)結(jié)構(gòu)。

接下來(lái)，將數(shù)據(jù)分解為輸入數(shù)據(jù)和輸出數(shù)據(jù)，來(lái)擬合一個(gè)監(jiān)督機(jī)器學(xué)習(xí)模型（如測(cè)量值和花卉品種），得到矩陣（X）和矢量（y）。矢量是線性代數(shù)中的另一個(gè)關(guān)鍵數(shù)據(jù)結(jié)構(gòu)。

每行長(zhǎng)度相同，即每行的數(shù)據(jù)個(gè)數(shù)相同，因此我們可以說(shuō)數(shù)據(jù)是矢量化的。這些行數(shù)據(jù)可以一次性或成批地提供給模型，并且可以預(yù)先配置模型，以得到固定寬度的行數(shù)據(jù)。

???2. 圖像和照片

也許你更習(xí)慣于在計(jì)算機(jī)視覺應(yīng)用中處理圖像或照片。

你使用的每個(gè)圖像本身都是一個(gè)固定寬度和高度的表格結(jié)構(gòu)，每個(gè)單元格有用于表示黑白圖像的 1 個(gè)像素值或表示彩色圖像的 3 個(gè)像素值。

照片也是線性代數(shù)矩陣的一種。

與圖像相關(guān)的操作，如裁剪、縮放、剪切等，都是使用線性代數(shù)的符號(hào)和運(yùn)算來(lái)描述的。

???3. one-hot 編碼

有時(shí)機(jī)器學(xué)習(xí)中要用到分類數(shù)據(jù)。

可能是用于解決分類問題的類別標(biāo)簽，也可能是分類輸入變量。

對(duì)分類變量進(jìn)行編碼以使它們更易于使用并通過(guò)某些技術(shù)進(jìn)行學(xué)習(xí)是很常見的。one-hot 編碼是一種常見的分類變量編碼。

one-hot 編碼可以理解為：創(chuàng)建一個(gè)表格，用列表示每個(gè)類別，用行表示數(shù)據(jù)集中每個(gè)例子。在列中為給定行的分類值添加一個(gè)檢查或「1」值，并將「0」值添加到所有其他列。

例如，共計(jì) 3 行的顏色變量：

red green blue ...

這些變量可能被編碼為：

red, green, blue 1, 0, 0 0, 1, 0 0, 0, 1 ...

每一行都被編碼為一個(gè)二進(jìn)制矢量，一個(gè)被賦予「0」或「1」值的矢量。這是一個(gè)稀疏表征的例子，線性代數(shù)的一個(gè)完整子域。

???4. 線性回歸

線性回歸是一種用于描述變量之間關(guān)系的統(tǒng)計(jì)學(xué)傳統(tǒng)方法。

該方法通常在機(jī)器學(xué)習(xí)中用于預(yù)測(cè)較簡(jiǎn)單的回歸問題的數(shù)值。

描述和解決線性回歸問題有很多種方法，即找到一組系數(shù)，用這些系數(shù)與每個(gè)輸入變量相乘并將結(jié)果相加，得出最佳的輸出變量預(yù)測(cè)。

如果您使用過(guò)機(jī)器學(xué)習(xí)工具或機(jī)器學(xué)習(xí)庫(kù)，解決線性回歸問題的最常用方法是通過(guò)最小二乘優(yōu)化，這一方法是使用線性回歸的矩陣分解方法解決的（例如 LU 分解或奇異值分解）。

即使是線性回歸方程的常用總結(jié)方法也使用線性代數(shù)符號(hào)：

y = A . b

其中，y 是輸出變量，A 是數(shù)據(jù)集，b 是模型系數(shù)。

???5. 正則化

在應(yīng)用機(jī)器學(xué)習(xí)時(shí)，我們往往尋求最簡(jiǎn)單可行的模型來(lái)發(fā)揮解決問題的最佳技能。

較簡(jiǎn)單的模型通常更擅長(zhǎng)從具體示例泛化到未見過(guò)的數(shù)據(jù)。

在涉及系數(shù)的許多方法中，例如回歸方法和人工神經(jīng)網(wǎng)絡(luò)，較簡(jiǎn)單的模型通常具有較小的系數(shù)值。

一種常用于模型在數(shù)據(jù)擬合時(shí)盡量減小系數(shù)值的技術(shù)稱為正則化，常見的實(shí)現(xiàn)包括正則化的 L2 和 L1 形式。

這兩種正則化形式實(shí)際上是系數(shù)矢量的大小或長(zhǎng)度的度量，是直接脫胎于名為矢量范數(shù)的線性代數(shù)方法。

???6. 主成分分析

通常，數(shù)據(jù)集有許多列，列數(shù)可能達(dá)到數(shù)十、數(shù)百、數(shù)千或更多。

對(duì)具有許多特征的數(shù)據(jù)進(jìn)行建模具有一定的挑戰(zhàn)性。而且，從包含不相關(guān)特征的數(shù)據(jù)構(gòu)建的模型通常不如用最相關(guān)的數(shù)據(jù)訓(xùn)練的模型。

我們很難知道數(shù)據(jù)的哪些特征是相關(guān)的，而哪些特征又不相關(guān)。

自動(dòng)減少數(shù)據(jù)集列數(shù)的方法稱為降維，其中也許最流行的方法是主成分分析法（簡(jiǎn)稱 PCA）。

該方法在機(jī)器學(xué)習(xí)中，為可視化和模型創(chuàng)建高維數(shù)據(jù)的投影。

PCA 方法的核心是線性代數(shù)的矩陣分解方法，可能會(huì)用到特征分解，更廣義的實(shí)現(xiàn)可以使用奇異值分解（SVD）。

???7. 奇異值分解

另一種流行的降維方法是奇異值分解方法，簡(jiǎn)稱 SVD。

如上所述，正如該方法名稱所示，它是源自線性代數(shù)領(lǐng)域的矩陣分解方法。

該方法在線性代數(shù)中有廣泛的用途，可直接應(yīng)用于特征選擇、可視化、降噪等方面。

在機(jī)器學(xué)習(xí)中我們會(huì)看到以下兩個(gè)使用 SVD 的情況。

???8. 潛在語(yǔ)義分析

在用于處理文本數(shù)據(jù)的機(jī)器學(xué)習(xí)子領(lǐng)域（稱為自然語(yǔ)言處理），通常將文檔表示為詞出現(xiàn)的大矩陣。

例如，矩陣的列可以是詞匯表中的已知詞，行可以是文本的句子、段落、頁(yè)面或文檔，矩陣中的單元格標(biāo)記為單詞出現(xiàn)的次數(shù)或頻率。

這是文本的稀疏矩陣表示。矩陣分解方法（如奇異值分解）可以應(yīng)用于此稀疏矩陣，該分解方法可以提煉出矩陣表示中相關(guān)性最強(qiáng)的部分。以這種方式處理的文檔比較容易用來(lái)比較、查詢，并作為監(jiān)督機(jī)器學(xué)習(xí)模型的基礎(chǔ)。

這種形式的數(shù)據(jù)準(zhǔn)備稱為潛在語(yǔ)義分析（簡(jiǎn)稱 LSA），也稱為潛在語(yǔ)義索引（LSI）。

???9. 推薦系統(tǒng)

涉及產(chǎn)品推薦的預(yù)測(cè)建模問題被稱為推薦系統(tǒng)，這是機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域。

例如，基于你在亞馬遜上的購(gòu)買記錄和與你類似的客戶的購(gòu)買記錄向你推薦書籍，或根據(jù)你或與你相似的用戶在 Netflix 上的觀看歷史向你推薦電影或電視節(jié)目。

推薦系統(tǒng)的開發(fā)主要涉及線性代數(shù)方法。一個(gè)簡(jiǎn)單的例子就是使用歐式距離或點(diǎn)積之類的距離度量來(lái)計(jì)算稀疏顧客行為向量之間的相似度。

像奇異值分解這樣的矩陣分解方法在推薦系統(tǒng)中被廣泛使用，以提取項(xiàng)目和用戶數(shù)據(jù)的有用部分，以備查詢、檢索及比較。

???10. 深度學(xué)習(xí)

人工神經(jīng)網(wǎng)絡(luò)是一種非線性機(jī)器學(xué)習(xí)算法，它受大腦中信息處理元素的啟發(fā)，其有效性已經(jīng)在一系列問題中得到驗(yàn)證，其中最重要的是預(yù)測(cè)建模。

深度學(xué)習(xí)是近期出現(xiàn)的、使用最新方法和更快硬件的人工神經(jīng)網(wǎng)絡(luò)的復(fù)興，這一方法使得在非常大的數(shù)據(jù)集上開發(fā)和訓(xùn)練更大更深的（更多層）網(wǎng)絡(luò)成為可能。深度學(xué)習(xí)方法通常會(huì)在機(jī)器翻譯、照片字幕、語(yǔ)音識(shí)別等一系列具有挑戰(zhàn)性的領(lǐng)域取得最新成果。

神經(jīng)網(wǎng)絡(luò)的執(zhí)行涉及線性代數(shù)數(shù)據(jù)結(jié)構(gòu)的相乘和相加。如果擴(kuò)展到多個(gè)維度，深度學(xué)習(xí)方法可以處理向量、矩陣，甚至輸入和系數(shù)的張量，此處的張量是一個(gè)兩維以上的矩陣。

線性代數(shù)是描述深度學(xué)習(xí)方法的核心，它通過(guò)矩陣表示法來(lái)實(shí)現(xiàn)深度學(xué)習(xí)方法，例如 Google 的 TensorFlow Python 庫(kù)，其名稱中包含「tensor」一詞。

原文鏈接：https://machinelearningmastery.com/examples-of-linear-algebra-in-machine-learning/

由于微信平臺(tái)算法改版，公號(hào)內(nèi)容將不再以時(shí)間排序展示，如果大家想第一時(shí)間看到我們的推送，強(qiáng)烈建議星標(biāo)我們和給我們多點(diǎn)點(diǎn)【在看】。星標(biāo)具體步驟為：（1）點(diǎn)擊頁(yè)面最上方“小詹學(xué)Python”，進(jìn)入公眾號(hào)主頁(yè)。 （2）點(diǎn)擊右上角的小點(diǎn)點(diǎn)，在彈出頁(yè)面點(diǎn)擊“設(shè)為星標(biāo)”，就可以啦。 感謝支持，比心。

總結(jié)

以上是生活随笔為你收集整理的初学者 | 10个例子带你了解机器学习中的线性代数的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。