讀到的一篇不錯的文章，拿來和大家分享一下。
轉自–頭條公眾號–極數蝸牛

（1）線性回歸

回歸最早是由高爾頓研究子女身高與父母身高遺傳關系提出的，發現子女平均身高總是向中心回歸而得名。其實“一分辛苦一分才”中就蘊含了線性回歸算法思想，比較簡單表現出才能與辛苦是正比關系。另外，經常聽說“成功=3分才能+6分機會+1分貴人幫”，這是標準的線性回歸方程，其中成功是因變量；才能、機會和貴人是自變量；而自變量前邊的3、6和1是權重。

（2）K-聚類

中國有句古話是“物以類聚，人以群分”，其實已經蘊含了聚類算法的基本思想。比如說人，可以根據年齡分70后、80后、90后等；根據區域分北京、上海、廣東等；根據性別分男和女。人可以根據不同特征屬性進行劃分，而在聚類算法中是根據不同方式來計算兩個事物的距離，如歐氏距離、皮爾森相似度等。

假如根據年齡可以每10年份劃分為70后、80后、90后等，也可以根據成長周期分童年、少年、青年、中年和老年。因此特征刻度大小決定了群體的范圍，這反映在聚類算法中就是通過不同方法處理事物間距離，來確定事物屬于哪個群體，如根據平均值、最大值等。

其中K值是表示劃分群體的大小，如以區域為例，K=34，則劃分為全國省份；K=7，則劃分為東北，中原，華東，華北，華南，西北和西部等；K=2，則劃分為南方和北方。

（3）K-鄰近

中國還有句古話是“近朱者赤近墨者黑”，該句也蘊含了K-鄰近算法的思想。比如判斷一個人是否是有錢人，可以根據其最近聯系的人群中，有錢人的比例來推測。這就需要解決兩個問題，一是如何確定最近聯系人，二是如何計算有錢人比例。這反映在K-鄰近算法中就是首先確定不同事物樣本的距離，然后確定K值的大小，根據K值內的有錢人占比，來預測未知用戶的狀態。

K值的大小將會直接決定預測結果，假如你有5個有錢人朋友，當K=8時，判定你為有錢人；但當K=12時，則判定你不是有錢人。因此在該算法中K的選擇至關重要。

（4）樸素貝葉斯

“吃一虧長一智”反映了樸素貝葉斯算法思維，就是通過后驗經驗法，來對未知的預測。假如你經常買水果，發現10個青蘋果里邊8個都是酸的，而10個紅蘋果里有7個都是甜的，這種經驗告訴以后再挑選蘋果時，紅蘋果7/10是甜的，青蘋果2/10是甜的，如果你喜歡甜的，那就選紅蘋果吧。

（5）決策樹

在婚戀相親時經常被問到“你有車嗎？你有房嗎？你有錢嗎？”，這和決策樹的思維過程極其相似。決策樹是由樹枝，樹葉，節點組成的樹型結構，其中每個節點就是一個問題或特征（如你有車嗎？），每個樹枝是問題的走向（如有），每個節點就是答案（相親成功）。

（6）主成分分析

經常在網上看到兩個字“干貨”。那怎么定義“干貨”，我覺得應該包括兩方面：一是信息量大，二是沒有廢話。其實如何將“水貨”制作成干貨的過程，與主成分分析有異曲同工之妙。“干貨”能夠使原文到達“短小精悍”，而主成分分析能夠實現數據集降維，即用較少維度表示原有樣本含有的信息，兩則都是通過其它語言或轉變維度來表達原有信息。

“水貨”變成“干貨”就是將意思相近或相似的句子進行濃縮或提煉，也就是將“水貨”里的的水分擰干；而主成分分析是根據樣本集的協方差矩陣，通過線性變換將原數據映射到新的坐標系統，并將差異性較大特征值的保留，以到達降維目的。

（7）隨機森林

“三個臭皮匠賽過諸葛亮”與隨機森林算法內核類似。隨機森林是是由一棵棵的決策樹構成的，每決策樹的形成都是隨機的，它可以避免單一決策樹過擬合和偏向的毛病。

再以相親為例，對相親對象要求，你可能看重“有房”“有車”“有錢”；你媽看重“有房”“孝順”；你爸看重“事業”“顧家”“有車”等。其實你們每個人都是一個決策樹，可根據自己判斷標準決策出相親對手是否“滿意”，最后集合每個人的決策結果，來判斷最后是否相親成功。一個人相親是決策樹，全家人相親就是隨機森林。

（8）最大熵模型

“不要把雞蛋放在一個籃子里”是最大熵模型比較樸素的說法，也反映了該算法的本質，就是對不確定的或未知的，盡量保持隨機和均勻分布，能夠將風險降到最低。其實在生活中大家應該都不自覺的應用了該模型。比如，去年P2P較火的時候，很多人被其高收益吸引，但由于P2P魚龍混雜，又擔心跑路；因此采取比較保險的舉措，就是多投幾家公司。

其實，熵是對無序狀態的描述，而最大熵就是表示樣本是均勻分布，可能性概率相同。

（9）AdaBoost

在學生時代，考試有個技巧就是構建自己的“錯題本”，每次考試前都加強對“錯題本”學習，通過不斷強化“錯題本”上題目，最終可能獲得較高分數。其實這個學習過程與AdaBoost是算法邏輯是相同的。

假設每次考試作為一次模型訓練，每道題目作為一個樣本，分數作為預測準確率，而“錯題本”就是預測錯誤的樣本；當再次進行預測訓練考試的時候，AdaBoost算法策略就是會對上次預測“錯誤的樣本”加大權重，并以此不斷迭代，通過多次訓練，最后能夠組合成一個較強的分類器（即考試高分）。

（10）關聯規則

是否耳熟“我看你天賦異稟、骨骼驚奇，想來是百年難得一見的練武奇才”“貧道夜觀天象，發現北斗星南移，天狼星耀青光，帝王星顯現”等臺詞。其實這里邊就蘊含了關聯規則，通過經驗積累發現骨骼與練武，北斗星與帝王等之間關聯。

“用生辰八字來算命”雖然被成為偽科學，但偶爾能算準，這是這么回事？用關聯規則算法就容易解釋，首先理解兩個概念支持度和置信度。

支持度是指A（某生辰八字）和B（某命運）同時發生的占比，如某生辰對應某命運的人數占總人數比值；置信度是指A發生后B發生的概率，如某生辰中當官的人數/某生辰總人數。如果置信度是100%，如果A發生，那么B一定發生。算命先生就將生辰和命運的置信度定為100%。

如果算命先生學過機器學習算法，就不會很肯定指出你將來一定當官，而是說你將來當官的支持度為20%，置信度為30%。

（11）邏輯回歸

邏輯回歸與線性回歸都是廣義線性模型，只所以在回歸前加上“邏輯”，是因為他在線性回歸的基礎上穿上了一件馬甲（轉變函數）。比如人的成功公式： “成功=3分才能+6分機會+1分貴人幫”，但通過計算可能得出如1,5,99,200等各種數字，如果就想知道是否是成功人士，你就需要一個“成功評委”來對結果進行評價，最終輸出量化指標，如成功率是80%，其中越接近100%，說明越成功。而這個“成功評委”就是一個轉變函數。

（12）因子分析

中國有句古話是“三歲看老”和“性格決定命運”，這與因子分析的思維類似，就是將影響或決定事物的本質東西總結出來。網絡上將有喝綠茶飲料，穿361運動鞋，周末在家打游戲，留著平頭等特征行為的人，稱為具有“屌絲”氣質。因子分析過程也類似，就是對具有關聯行為或相似事件，進行共性因子提取，將具有共同本質的特征行為歸為一個因子。像土豪，即使有錢了，依然沒有改變“土”的因子。

（13）人工神經網絡

其實全國人民大會代表選舉過程與人工神經網絡運算流程是類似。首先由基層人民選取鄉/縣級人民代表，再有縣級選舉市級，由市級選舉省級，最后產生全國人民代表。其實，在選舉過程中，每個人/代表相當于人工神經網絡的一個神經元，而縣、市、省等行政級別，相當于人工神經網絡的層級，最后選取的代表相當于輸出結果。層級越多代表越復雜，深度學習就是多層神經網絡。現在終于明白國家領導人考察農村，叫做深入基層。

（14）SVM（支持向量機）

以相親為例，假如你根據學歷，身高，年齡，相貌等指標，綜合評估下來依然有較多候選人，你不知道這么辦？這時候你閨蜜告訴你個方法：“就是看看他的父母和朋友情況”，這時候你豁然開朗，根據他的父母健康并是高官，朋友都年輕有為等指標，很快就確定了候選者。其實這個過程與SVM模型的思維邏輯相同的。SVM的核心思維就是將低維數據（一個人）映射到高維空間（多個人），從而實現數據可分（可選擇）；你閨蜜的方法在SVM中就是核函數。這是一個拼“爹”的時代。