杏运娱乐-杏运娱乐注册登录平台-首页-策略产品经理：通俗易懂了解机器学习原理（下篇）(主管:QQ66306964 主管:skype live:.cid.6c7b79dae5ec9830)新博88新博88娱乐注册作为策略产品经理，简单理解有关机器学习的相关原理，可以更了解核心的应用场景，从而助推策略产品经理去更好地服务于业务。本篇文章里，作者针对机器学习的部分算法原理与应用场景进行了一定解读，一起来看。
支持向量机可以算是机器学习当中比较难的部分了，一般很多学习机器学习的同学学到这个部分都会选择 狗带放弃 ，但是我们还是要坚持去通俗易懂的理解，尽量帮助大家深入浅出。
SVM 一般用于解决二分类问题（也可以解决多分类和回归问题，目前主要的应用场景就是图像分类、文本分类以及面部识别等场景），归根结底就是一句话最大化离平面最近的点到到平面之间的距离，这个其实就叫支持向量；类似图中的直线，对两边的点形成的超平面（绿色虚线与红色虚线）能够最大。
在机器学习的上篇中讲到线性回归为一元线性回归，一元也就是一个自变量加上一个因变量，杏运娱乐-杏运娱乐注册登录平台-首页-这种在二维坐标轴可以表示成（x，y）；假设有两类要用来区分的样本点，一类用黄色的 ● ，另一类用红色的 □ ，中间这条直线就是用来讲两类样本完全分开的分类函数，用数学化的方式描述图片就是：
训练的核心目标：以训练的样本为研究的对象，找到一条直线能够将两类样本能够有效分开，一个线性函数能够把样本进行分开的话，我们就称之为样本的线性可分性：
当样本点位（x1，x2，y）的时候，找到上述这条直线进行平面样本点分割，其中区域 y = 1（图中的类 +1）的点用下述公式表达：
上述就是线性可分的明确定义，由此类推用更高维度的超平面可以通过增加 x 维度来表达，我们认为这种表达方式会比较的麻烦会用矩阵表达式来进行代替：
大家要厘清一个概念，在公式当中 X 不是代表横坐标，而是样本的向量表达式，假如上图最下方的红框坐标是（5,1），那么这个对应的列向量表达式如下所示；其中 WT 代表是一个行向量，就是我们所说的位置参数，X 是一组列向量，是已经知道的样本数据，Wi 表示的就是 Xi 的系数，行向量和列向量相乘就得到了 1*1 的矩阵，也就是一个实数了：
机器学习就是找到通过学习的算法找到最合适超参 Wi，支持向量机有两个目标：第一个是使间隔最大化，第二个是使样本正确分类；
我们都学过欧式距离公式，二维空间当中的点位（x，y）到 对应直线的距离可以表示为，
根据下图可以指导，支持向量到超平面的距离就是 d，其他点到超平面的距离就会大于 d；
公式两边同时除以 d，并且我们令 wd = 1（方便公式推导，对目标函数本身无影响），可以得到下列式：
我们就得到了最大间隔下的两个超平面，分别为过绿色原点的平面和过黄色三角的平面，我们来最大化这个距离就可以得到：
为了简化问题，再把 w 里面的根号去除一下，所以我们最终优化问题可以得到要求解决的 w：
朴素贝叶斯是基于贝叶斯定理和条件独立性假设的分类方法，属于生成模型（工业界多用于垃圾邮件分类、信用评估以及钓鱼网站监测等场景），核心思想就是学习输入输出的联合概率模型 P ( X,Y ) ，然后使用条件概率公式求得 P ( Y X ) - 表示在 X 发生的条件下，Y 事件发生的概率。Arthur 先带大家回顾一下大学数学概率论的基础知识，便于大家能够快速理解。
我知道了贝叶斯公式之后，怎么用其原理来做分类呢，跟随 Arthur 按照下面的思路一起推演：
在朴素贝叶斯中我们把条件概率分布做独立性假设，解耦特征与特征之间的关系，每个特征都视为单独的条件假设：
Ｐ（不出门｜晴朗，工作日）>
Ｐ（出门｜晴朗，工作日），因此我们判定小明这一天多半是不出门的；
p ( x ) 为 0 的时候，也就是某个特征下，样本数量为 0。则会导致 y = 0；所以 x 需要引入 Laplace 校准，在所有类别样本计数的时候加 1，这样可以避免有个式子 P ( X ) 为 0 带来最终的 y = 0。
以上都是介绍的特征离散值可以直接进行样本数量统计，统计概率值；如果是连续值，可以通过高斯分布的方式计算概率。
给策略产品、运营讲机器学习系列到这里就结束了，该系列的文章目的是在为转型策略产品，或者是已经从事策略产品、策略运营方向的同学通俗易懂的了解机器学习算法原理与思想。
很多文科同学 / 运营会觉得看着策略公式就头大，其实怎么去推导不是我介绍这篇文章的目的，理解核心的思想与应用场景，如何和业务贴近服务才是关键，我们毕竟不是算法，需要间隔两者工作职责和范围边界。
希望这个系列真正能做到普及策略产品经理的工作，更深入浅出的普及到关于机器学习的知识。