欢迎大家来到IT世界,在知识的湖畔探索吧!

仔细研究一下机器学习中的” f”一词，以及为什么不能忽略它！

我知道您很想知道这个” f”实际上是什么。 我们很快就知道了。 我可以立即告诉您的一件事是，无论您对机器学习的熟悉程度如何，理解” f”一词都会帮助您理解大多数机器学习的作用。

在此之前，让我们进行角色扮演。 您是一名数据科学家，而您的初创公司已责成您与市场营销同事合作，以改善公司产品的销售。 您必须就如何调整三种不同媒体（电视，广播和报纸）的广告预算向”营销人员”提供建议。

看一下过去的数据（图1），很明显，您在电视，广播和报纸等每个媒体上投放多少广告会影响产品的销售 。

作为数据科学家，您想了解和解释这三个因素如何共同影响销售。 换句话说，我们希望根据电视，广播和报纸预算来对销售进行建模。 这就是我们难以捉摸的” f”功能。

” f”是什么意思？

简而言之，您可以将f视为需要输入X并产生输出Y的事物。一个很好的类似示例是洗衣机。 您将脏衣服（X）放入洗衣机（f）中，得到被洗的衣服（Y）。

在产品销售和广告媒体预算的情况下，函数f将分别以X1，X2，X3表示的电视，广播和报纸预算作为输入，将退货Y作为输出。 （我们将X1，X2和X3以组合形式表示为矢量X）

剧透警报！ 实际上，许多机器学习只是想出一个好f，它可以获取一些输入数据并返回可靠的输出。

为什么我们要这个f？

我们需要找到一个好的f的主要原因有3个：

· 有了一个好的f，我们可以输入所有3种媒体的预算并预测销售量。

· 我们可以了解哪些预测因素（例如电视，广播，报纸预算）对影响Y至关重要。我们可能会发现，花钱买报纸实际上是一种浪费，因为报纸广告并不能大大提高销售量。

· 我们也许能够理解每个预测变量如何影响Y。例如，我们可能会发现，投资电视广告的效率是投资报纸广告的5倍。

我怎么找到这个f？

在回答这个问题之前，我们需要问自己以下问题：

在广阔，华丽的宇宙中是否存在一些完美的f？

好吧，也许不是”完美”的f，但是有一个理想/最优的f。 如果我们看一下图2，我们会发现一些奇怪的地方-对于X轴（报纸预算）上的某一点，在某些情况下似乎有多个对应的Y（销售）值。 例如，图2中绘制的数据中，对于x = 6.4，Y轴上有两个对应的值：y = 11.9和y = 17.3。

因此，理想函数可以简单地是对应于特定x的所有y值的平均值。 换句话说，对于上图：

用更多的”数学”术语，所有X上所有Y的平均值称为期望值E（Y）。 因此，将任何X的所有Y值取平均值的过程就是我们的”理想”函数。 我们的理想f可以用以下方式表示：

好的…。但是为什么我们需要机器学习？

可悲的是，因为我们生活在”现实世界”中。

在”现实世界”中，我们不能使用上面讨论的平均思想可靠地估计Y所需的所有数据。 即使对于销售广告数据，您也可以看到在图2中，对于x = 77.5，x = 95，x = 110等，没有相应的Y值。

解决数据丢失问题的一种有效方法是使用邻里关系。

这意味着，我们可以取在x = 77.5相邻点出现的所有Y值的平均值，而不是严格地取x的平均值Y = 77.5。 因此，可能从x = 75取到x = 80（参见图3中的蓝色垂直线）。

我们的定义和表示法有一些变化，以反映以下思想：我们不再局限于在给定点X = x上精确地出现的Y值，而是查看在X = x附近的Y值。

这种方法有两个主要问题：

· 当除了报纸预算外还有多个预测变量（例如：电视，广播，Facebook广告，Google广告…）。 在这种情况下，问题扩展到多个维度（不仅限于x和y轴），并且越来越难以定义我们宝贵的”邻居”。 （此问题的名称很糟糕：维度诅咒）

· 当相邻区域中没有数据时会发生什么？ 例如，在图3中，没有从x = 115到x = 145以及以后的数据。

机器学习助您一臂之力！

为了不使f受上述两个问题的约束，我们转向机器学习来估计f。 虽然有各种各样的机器学习模型可供选择，但让我们考虑一个简单而有效的模型-线性回归模型。 在线性回归模型中，将输入X1（电视预算），X2（广播预算），X3（报纸预算）分别乘以w1，w2和w3，然后相加得出Y。

在上式中，w0，w1，w2，w3是参数，其值是通过训练模型并将其拟合到数据上而获知的。 换句话说，这些参数可以通过”查看”数据并反复进行猜测而改变，这些猜测随着时间的推移会越来越好，直到我们获得足够好的f。

结论

估计f时应选择哪种模型，如何执行程序以及如何判断f的”足够好”是机器学习从业人员在处理特定问题时进行反复调查的非平凡问题。 机器学习从业人员通常依靠经验，领域知识和经验证据来尝试回答这些问题。 尽管如此，无论问题的背景和性质如何，找到良好的f都是使用机器学习进行预测，推理和解决问题的基础。

参考/灵感

· Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani. An Introduction to Statistical Learning : with Applications in R. New York :Springer, 2013.

· Hastie, Trevor, Robert Tibshirani, and J. H Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. New York: Springer, 2009.

作者：Aishwarya Prabhat

deephub翻译组：孟翔杰