前言

機器學習（ML）分為：監(jiān)督學習，無監(jiān)督學習，半監(jiān)督學習等。

1.1 監(jiān)督學習（supervised learning）

監(jiān)督學習是訓練神經網(wǎng)絡和決策樹的常見技術，高度依賴事先確定的分類系統(tǒng)給出的信息，對于神經網(wǎng)絡，分類系統(tǒng)利用信息判斷網(wǎng)絡的錯誤，然后不斷調整網(wǎng)絡參數(shù)。對于決策樹，分類系統(tǒng)用它來判斷哪些屬性提供了最多的信息。

從給定的訓練數(shù)據(jù)集中學習出一個函數(shù)，當新的數(shù)據(jù)到來時，可以根據(jù)這個函數(shù)預測結果。

監(jiān)督學習的訓練集要求包括輸入輸出，也可以說是特征和目標，訓練集中的目標是由人標注的。

常見的有監(jiān)督學習算法：回歸分析和統(tǒng)計分類，最典型的算法是KNN和SVM。

有監(jiān)督學習最常見的就是：regression & classification

Regression：Y是實數(shù)向量，回歸問題，就是擬合(x,y)的一條曲線，使得價值函數(shù)(cost function) L最小。

Classification：Y是一個有窮數(shù)(finite number)，可以看做類標號，分類問題首先要給定有l(wèi)abel的數(shù)據(jù)訓練分類器，故屬于有監(jiān)督學習過程，分類過程中cost function l(X,Y)是X屬于類Y的概率的負對數(shù)。

其中fi(X)=P(Y=i/X)。

有監(jiān)督學習方法必須要有訓練集與測試樣本，在訓練集中找規(guī)律，而對測試樣本使用這種規(guī)律。

有監(jiān)督學習的方法就是識別事物，識別的結果表現(xiàn)在給待識別數(shù)據(jù)加上了標簽，因此訓練樣本集必須由帶標簽的樣本組成。

1.2 名詞KNN

k-Nearest Neighbors

在一個給定的數(shù)據(jù)點上找出k個最近的數(shù)據(jù)點，在分類的情況下輸出輸出類的多數(shù)投票值，以及在回歸情況下目標值的平均值。

擼袖子

2.1 新新相映

軟件是基于***的postgresql 10.0加上***的madlib 1.12。

為了操作方便，我這里使用基于docker的ubuntu 16.04安裝madlib，這樣以后就可以拿著這個鏡像到處嗨了，以下操作就是在MAC里面進行的。

2.2 查看madlib版本

#select madlib.version(); 

2.3 導入訓練數(shù)據(jù)

DROP TABLE IF EXISTS knn_train_data; 
CREATE TABLE knn_train_data ( 
                    id integer,  
                    data integer[],  
                    label float 
                    ); 

INSERT INTO knn_train_data VALUES 
(1, '{1,1}', 1.0), 
(2, '{2,2}', 1.0), 
(3, '{3,3}', 1.0), 
(4, '{4,4}', 1.0), 
(5, '{4,5}', 1.0), 
(6, '{20,50}', 0.0), 
(7, '{10,31}', 0.0), 
(8, '{81,13}', 0.0), 
(9, '{1,111}', 0.0); 

SELECT * from knn_train_data ORDER BY id; 

2.4 導入測試數(shù)據(jù)

DROP TABLE IF EXISTS knn_test_data; 
CREATE TABLE knn_test_data ( 
                    id integer,  
                    data integer[] 
                    ); 

INSERT INTO knn_test_data VALUES 
(1, '{2,1}'), 
(2, '{2,6}'), 
(3, '{15,40}'), 
(4, '{12,1}'), 
(5, '{2,90}'), 
(6, '{50,45}'); 

SELECT * from knn_test_data ORDER BY id; 

2.5 分類訓練

SELECT * FROM madlib.knn( 
                'knn_train_data',      -- 訓練數(shù)據(jù)表名 
                'data',                -- 訓練數(shù)據(jù)所在列 
                'label',               -- 訓練標簽 
                'knn_test_data',       -- 測試數(shù)據(jù)表名 
                'data',                -- 測試數(shù)據(jù)所在列 
                'id',                  -- 測試數(shù)據(jù)列名id 
                'madlib_knn_result_classification',  -- 結果輸出 
                'c',                   -- 分類 
                 3                     -- 最近相鄰數(shù) 
                );               

2.6 查看分類輸出結果

SELECT * from madlib_knn_result_classification ORDER BY id; 

圖形化示例：

2.7 進行回歸

DROP TABLE IF EXISTS madlib_knn_result_regression; 
SELECT * FROM madlib.knn( 
                'knn_train_data',      -- 訓練數(shù)據(jù)表名 
                'data',                -- 訓練數(shù)據(jù)所在列 
                'label',               -- 訓練標簽 
                'knn_test_data',       -- 測試數(shù)據(jù)表名 
                'data',                -- 測試數(shù)據(jù)所在列 
                'id',                  -- 測試數(shù)據(jù)列名id 
                'madlib_knn_result_regression',  --結果輸出 
                'r',                   -- 回歸 
                 3                     -- 最近相鄰數(shù) 
                ); 

2.8 查看回歸輸出結果

SELECT * from madlib_knn_result_regression ORDER BY id; 

圖形化示例：

小結

postgresql提供了對結構化數(shù)據(jù)的存儲和加工的便捷，madlib提供了ML算法的支持，強強聯(lián)手，相得益彰。

【作者簡介】孫輝，DataHunter技術總監(jiān)。曾在索尼等知名公司任職，先后擔任過系統(tǒng)架構、技術總監(jiān)等職位，負責過尚郵，索愛中文輸入法，快牙，mPush(魔推)等知名產品研發(fā)。擁有15年深厚IT技術行業(yè)經驗，熟悉掌控產品研發(fā)各個環(huán)節(jié)，有豐富的后端、前端、運維、DBA、測試經驗。

【51CTO原創(chuàng)稿件，合作站點轉載請注明原文作者和出處為51CTO.com】