Anaconda数据科学实战

第9章　Anaconda中的监督学习

由于大多数读者都能够理解函数y=f(x)的格式，因此本书使用它来解释监督学习。当y和x同时存在时，我们可以运行不同的回归来识别正确的函数形式，这就是监督学习的精髓。对于监督学习，我们有两个数据集：训练数据和测试数据。通常，训练集有一组输入变量x，和一个相关的输出值y（即监督信号）。监督学习算法会分析训练数据并生成一个推断的函数形式。然后，我们应用这个推断的函数来映射测试数据集。

在本章中，我们将讨论以下主题：

• 监督学习概览
• 分类
• 监督学习的R、Python、Julia及Octave实现
• R中机器学习的任务视图

9.1　监督学习概览

在上一章中，我们讨论了无监督学习，其中仅仅存在输入数据，即对函数y=f(x)而言，只有输入数据x。与无监督学习不同，对于监督学习来说我们既有输入x又有对应的输出y。我们的任务是根据训练数据集，找到最佳的函数来将x与y联系起来。在监督学习中，训练数据集由一个输入对象和一个期望的输出值组成，其中输入值通常是一个向量，而输出值可以是二进制值、分类值、离散值或连续值。监督学习算法会检查给定的训练数据集，并生成一个推导的最佳拟合函数。为了验证这个推导函数的准确性，我们使用第二个数据集，即测试集。

理想情况下，样本尺寸应该很大。然而，很多情况下并非如此，这时我们可以使用bootstrap方法从样本中估计统计量。Bootstrap Aggregation算法用于从单个训练数据集创建多个不同的模型。事实上，随机森林是通过bagging对决策树集成的一种名称，它最终成为一个非常强大的分类器。

我们以著名的泰坦尼克号悲剧为例。1912年，在它的处女航中泰坦尼克号撞上冰山之后沉没了，船上的乘客和船员共1500多人丧生。首先，我们看一下这个简单的数据集。读者可以从作者的网站下载R代码： ...