「人人都是产品经理」如何用数学函数去理解机器学习？( 二 )
2. 算法选取
在机器学习的过程中 ， 找到接近理想模型（函数）的方法即算法 。 机器学习的常用算法很多 ， 不同的算法 ， 解决的问题不同 ， 适用的场景也不同 。
如下图 ， 比如解决聚类问题 ， 一般使用无监督学习算法 ， 分类问题 ， 一般使用有监督学习算法：支持向量机SVM、神经网络等 ， 目前神经网络依然是研究热点之一 。
本文插图
（1）神经网络原理
神经网络是一种模仿人类思考方式的模型 ， 就像飞机模仿鸟的形态一样 ， 神经网络也借鉴了生物学的神经元结构 。 神经元细胞主要由树突、轴突和细胞体构成 ， 树突用于接收信号并传递给细胞体 ， 细胞体处理信号 ， 轴突输出信号 。 神经网络结构与此类似 ， 一个典型的单隐含层神经网络架构如下图：
本文插图
图片来源：网络输入层：接收输入数据 ， 如图片、语音特征等；隐藏层：承载数据特征运算；输出层：输出计算的结果；
其本质是 ， 通过调整内部大量处理单元的连接关系、激励函数和权重值 ， 实现对理想函数的逼近 。
（2）深度学习
深度学习是神经网络的一种算法 ， 目前在计算机视觉等领域应用十分广泛 ， 相比单隐藏层神经网络结构 ， 深度学习神经网络是一种多隐藏层、多层感知器的学习结构 。 如下图所示 ， 增加更多的隐藏层后 ， 网络能更深入得表示特征 ， 以及具有更强的函数模拟能力 ， 能获得更好的分类能力 。
本文插图
图片来源：网络
深度学习三类经典的神经网络分别是：深度神经网络DNN、卷积神经网络CNN、和循环神经网络RNN 。 其中DNN、CNN一般解决计算机视觉、图像识别等分类问题 ， RNN适用于自然语言处理等问题 。
基于大量的样本、选取合适的算法进行模型训练后 ， 下一步则是对模型的预测效果进行评估 。
3. 模型评估
模型评估一般可分为两个阶段：实验阶段和上线阶段 ， 在实验阶段能达到一定的使用标准指标 ， 才能进入实际上线使用阶段 。
（1）实验阶段
为了评估模型的可用性 ， 需要对模型的预测能力进行评价 ， 其中很重要的一个评价指标就是准确率 ， 即模型预测和标签一致的样本占所有样本的比例 。 即选择不同于训练数据的 ， 有标签数据的测试集 ， 输入模型进行运算 ， 计算预测的准确率 ， 评估模型对于测试集的预测效果是否能模型可用指标 。
（2）上线阶段
在模型投入使用后 ， 基于上线后的真实数据反馈 ， 评估模型的能力 ， 并基于新的反馈数据 ， 持续迭代优化模型 ， 提高或保持模型的泛化能力 。
三、总结与思考
作为产品赋能的一个“工具” ， 产品化的整个流程可总结为：业务需求->转化为业务函数>样本数据获取->选择合适的算法->模型训练->内部评估->上线验证迭代 。
其实这个过程 ， 最底层的逻辑还是基于数学建模原理的思路来解决问题 ， 也可用来指导一些日常产品工作中的问题 。 比如 ， 《增长黑客》中的增长杠杆、北极星指标等方法 ， 其本质也是数据建模的原理 。 定义业务函数、确定影响因素、权重成本分析、判断最优解决方案 ， 评估上线反馈形成闭环 。
所有 ， 很多问题表面看起来各式各样、各不相同 ， 但抽象出来可能就是一些学科问题 ， 比如数学、物理、经济学等 ， 联想到我前段时间分享的一篇文章《透过《奇葩说》论点 ， 看背后的多元思维模型》中提到的多元思维模型核心观点——越往深层次思考 ， 越能挖掘事物本质 ， 越接近学科原理 。
推荐阅读
- 【】沈义人也成小米用户，大家猜猜他用的是什么产品？
- 海报东营■利津农商银行召开2020年首次信贷产品发布会
- #玩车教授#你的车是否也有这些“智商税”产品？
- 『我的第一部5G手机』百度产品笔试题：5G时代会产生哪些应用生活场景？（上）
- 小度在线搞事情：帮别家回收旧产品还送小度智能屏！
- 博鳌一龄推出全新康养旅游产品 免费为海南援鄂医护人员提供服务
- 洛阳晚报■产品畅销海内外，研发智能充电桩
- 新科技无线外设，富德用心做产品
- 北京大学■荣耀产品经理韦骁龙帅气亮相：北大95后男神、理科状元
- 『汽车之家』也有可能是明锐事故，每个伤疤的背后不一定都是故事