December 2020

哈囉，各位好，我是Teresa，本集的重點是二元分類問題，會說明感知器以及PLA演算法。以下先讓我們回顧上集說了什麼吧～ EP.1回顧 在機器學習中，為了找到一個最適合的假說，存在著演算法(Learning Algorithm A)和假說集合(Hypothesis Set H)。演算法A 從大量資料集合D 進行觀察，接著從假說集合H 中挑選一個最符合我們期望的函式g。 上集提到的例子是如果銀行想要做出一個機器學習來判斷：當客戶申請核發信用卡時，銀行應不應該發卡給該客戶。由這個例子我們可以清楚的知道此機器學習需要提供的答案只有兩種：發卡或是不發卡。這類型的問題我們可以稱為二元分類問題。從客戶提交的申請資料x中經過函式g，來得到y（發卡）或是n（不發卡）的結果。 完整筆記可點此連結 感知器假設集（Perceptron Hypothesis Set） 銀行從過往的經驗中掌握了客戶的屬性資料，如：性別、年齡、職業、薪資、信用狀況......。這些資料都可以轉換成以下式子。 銀行也能針對這些屬性資料進行重要性的排序，給予權重，例如：薪資權重給2，信用狀況如是負債權重給-1等等。 銀行會設立一個門檻值T(threshold)，當上述條件的總分大於門檻值，才會發卡給客戶，反之，則不發卡。雖然有機率總分會剛好等於門檻值，但機率非常小，可忽略不管。 為了方便識別，我們將輸出的結果y(發卡、不發卡、忽略不計)轉為符號表示，這樣的符號在機器學習裡被稱為label。 從算式中，我們很難直接知道畫面看起來是什麼樣子，如果應用在二維平面上，會如下圖，有一條直線將畫面切割成兩個平面，而資料中的點會落在線的兩側，一側為正；一側為負。而機器學習所期望的目標便是找出一條直線，能將不同的label正確劃分在兩個平面上。這樣的感知器便被稱作二元線性分類器(Linear Binary Classifiers)。 （圖片來源：課程截圖） 感知器學習演算法（PLA） 感知器中的所有集合H，代表了平面上許多不同條的直線。…

哈囉，大家好，我是Teresa，這集的重點會在機器學習所要解決的問題依照不同的面向分類有哪些種類。如下圖，依照機器學習的不同問題，大致可以區分成四種面向：輸出的空間、資料的標記種類、輸入的資料、給電腦資料的方式，依照四種面向來一一詳述吧！ 一、根據輸出的空間不同 二元分類 Binary Classification： 二元分類的問題其實就像是非題，我們餵給機器的資料，經過假說的函式後僅會輸出是或否的兩種結果，以圖來表示的話便是將平面區分為兩個平面以表示是或否。 二元分類在機器學習當中是很基本、很核心的問題。是非題的應用相當廣泛，之後理論推導與實際的演算法都會由二元分類出發。 二元分類的應用如下： 信用卡核發（回顧上集） 垃圾郵件分類->是垃圾郵件或不是垃圾郵件 醫療上的診斷->生病或未生病 預算的投入->獲益或不獲益 答題->正確或不正確 多元分類 Multi-class classification： 輸出從原本二元分類中的是或否兩種結果，變為有多種結果，近似於單選題。多個選項經過假說的函式後會輸出其中的一種結果，常用在視覺或聽覺辨識。 多元分類的應用如下： 銅板分類（1元、5元、10元、50元） 數字辨識->郵遞區號辨識(0-9) 圖片辨識->動物、水果分類 郵件分類->垃圾郵件、促銷活動、重要的郵件等 迴歸分析 Regression： 輸出的標籤不同於其它分類問題為零散的值，迴歸問題的輸出值會是一個連續的範圍。…