机器学习(ML)(十一) — 推荐系统探析
介绍
推荐系统(Recommendation system)的商业影响和实际使用案例数量甚至远远超过学术界的关注程度。每次你访问京东app、淘宝app、美团app等或腾讯视频等电影流媒体网站，或者访问提供短视频(抖音、快手)应用时，这类应用都会向你推荐他们认为你可能想买的东西、他们认为你可能想看的电影或他们认为你可能想尝试的餐馆。对于许多公司来说，很大一部分销售额是由他们的推荐系统(Recommendation system)推动的。因此，对于许多公司来说，推荐系统(Recommendation system)带来的经济效益或价值非常大。因此，我们很有必要深入了解一下什么是推荐系统(Recommendation system)。
机器学习(ML)(十) — 探析
因子分析(Factor Analysis)
因子分析(Factor Analysis)是一种统计方法，旨在通过识别潜在的变量（因子）来解释观测变量之间的相关性。它广泛应用于心理学、社会科学、市场研究和其他领域，以简化数据结构、减少维度和发现潜在的关系。因子分析(Factor Analysis)原理是将多个观测变量归结为少数几个潜在因子。这一过程通常包括以下步骤：1.数据收集与准备,收集相关的数据集，确保数据的质量和适用性；2.相关矩阵计算，计算观测变量之间的相关矩阵，以了解变量之间的关系；3.因子提取，使用统计方法（如主成分分析或最大似然估计）提取因子；因子旋转，为了使因子更易于解释，通常会对提取的因子进行旋转。旋转方法包括正交旋转（如Varimax）和斜交旋转（如Promax）；因子解释，根据因子的载荷（即每个观测变量与因子的关系）来解释每个因子的含义；模型评估，通过各种统计指标（如KMO检验和Bartlett球形检验）评估模型的适用性和有效性。
机器学习(ML)(八) — 探析
介绍
无监督机器学习使用的是自学习算法，在学习时无需任何标签，也无需事先训练。相反，模型会获得不带标签的原始数据。自学习规则，并根据相似之处、差异和模式来建立信息结构，且无需向该模型提供关于如何处理各项数据的明确说明。无监督机器学习更适合处理复杂的任务。它能够很好的识别出数据中以前未检测到的模式，并且有助于识别用于数据分类的特征。假设有一个关于天气的大型数据集，无监督学习算法会分析数据并识别数据点中的模式。例如，它可能会按温度或类似的天气模式对数据进行分组。虽然算法本身无法根据之前提供的任何信息来理解这些模式，但可以查看数据分组情况，并根据对数据集的理解并对其进行分类。例如天气模式被划分为不同类型的天气，如雨、雨夹雪或雪。
机器学习(ML)(七) — 探析
介绍
什么是决策树？学习算法输出的模型看起来像一棵树。这里有一个新的测试示例，有一只猫，耳朵形状尖尖的，脸形圆润，有胡须。该模型学习此示例并做出分类决策，从树的最顶端节点开始，这称为树的根节点，然后查看写在里面的特征，即耳朵形状。根据此示例的耳朵形状的值向左或向右走。耳朵形状的值是尖的，所以将沿着树的左边分支向下走，最后到达椭圆形节点。然后查看脸部形状，脸部是圆形的，所以将沿着这里的箭头向下走。算法会推断这是一只猫。树中最上面的节点称为根节点。所有这些节点都称为决策节点。它们之所以是决策节点，是因为它们会查看特定特征，然后根据特征的值，来决策是沿着树向左走还是向右走。最后，这些底部的节点称为叶节点。它们会做出预测。