机器学习入门必备的十大算法

英国数学家、计算机科学家、逻辑学家和密码分析专家艾伦·图灵曾预言，未来机器将具备智能。

“这就像一位学生，从老师那里学到很多知识，但通过自己的工作又增加了许多知识。当这种情况发生时，我认为人们有责任把机器视为拥有智能。”

为了展示机器学习的影响，Man Group的AHL Dimension计划是一个管理着51亿美元的对冲基金，其中一部分由人工智能管理。自该基金成立以来，尽管管理的资产较少，但其机器学习算法已贡献了基金一半以上的利润。

在阅读本文后，您将了解一些流行的、令人惊叹的机器学习算法，这些算法已经被交易社区广泛使用，并将成为您创建最佳机器学习算法的基础。以下是这些算法：

线性回归

线性回归最初在统计学中发展起来，用于研究输入和输出数值变量之间的关系，后来被机器学习社区用来基于线性回归方程进行预测。

线性回归的数学表示是一个线性方程，它结合了一组特定的输入数据（x），以预测该组输入值的输出值（y）。线性方程为每组输入值分配一个系数，这些系数用希腊字母β（贝塔）表示。

例如，具有两组输入值x1和x2的线性回归模型的方程如下：

[ y = beta0 + beta1 x1 + beta2 x_2 ]

当只有一个输入变量时，线性方程表示一条直线。若β2等于零，则变量x2不会影响线性回归模型的输出。在这种情况下，线性回归将表示一条直线，其方程如下：

[ y = beta0 + beta1 x_1 ]

线性回归方程模型的图形如下所示。

逻辑回归

在逻辑回归中，我们的目标是生成一个二元值，即1或0。这有助于我们得出一个明确的答案。逻辑回归可以用数学公式表示为：

[ y = frac{1}{1 + e^{-x}} ]

逻辑回归模型类似于线性回归，用于计算输入变量的加权和，但它通过特殊的非线性函数——逻辑函数或S形函数运行结果，以产生输出y。

简单地说，逻辑回归可以用来预测市场的走势。

K近邻分类

K近邻（KNN）分类的目的是将数据点分为不同的类别，以便可以根据相似性度量（如距离函数）对其进行分类。

KNN不需要明确的训练阶段，而是由相邻数据点的多数票决定分类。因此，将目标数据点分配给在其k个最近邻样本中数量最多的类别。

例如，在下面的图片中，我们将绿色圆圈分为1类和2类。假设基于1个最近邻的KNN，KNN将绿色圆圈分类为1类。现在，假设最近邻的数量增加到3，即3个最近邻。从图中可以看到，圆圈内有两个2类对象和一个1类对象。因此，KNN将绿色圆圈归为2类对象，因为它是多数。

支持向量机（SVM）

支持向量机（SVM）最初用于数据分析。首先，一组训练实例被输入到SVM算法中，它们分别属于一个类别或另一个类别。然后，该算法可以构建一个模型，并开始将新的测试数据分配给在训练阶段学习到的一个类别。

在SVM算法中，创建了一个超平面，该超平面作为类别之间的分界线。当SVM算法处理新的数据点时，根据它出现在超平面的哪一侧，它将被分类为一个类别。

在交易中，可以建立SVM算法，将股票数据分类为有利的买入、卖出或中性类别，然后根据规则对测试数据进行分类。

决策树

决策树是一种类似于树的支持决策工具，可以用来表示因果关系。因为一个原因可能会导致多种结果，所以我们在决策树中列出所有可能的结果，类似于带有分支的树。

我们可以通过对输入数据和预测变量进行组织，并根据我们指定的一些标准来构建决策树。

构建决策树的主要步骤包括： 1. 获取金融工具的市场数据。 2. 引入预测变量（如技术指标、情绪指标、广度指标等）。 3. 设置目标变量或所需输入。 4. 将数据划分为训练数据和测试数据。 5. 生成训练模型的决策树。 6. 测试和分析模型。

决策树的一个缺点是由于其固有的设计结构，容易出现过拟合问题。

随机森林

随机森林算法旨在解决决策树的一些局限性。

随机森林由多个决策树组成，每个决策树都是代表决策过程或统计概率的决策图。这些多个树映射到单个树，称为分类或回归（CART）模型。

为了基于对象的属性对目标对象进行分类，每棵树都给出了一个分类，称为对该类别的“投票”。然后，随机森林选择投票数最多的类别。对于回归树，它考虑了不同树的输入值的平均值来进行回归。

随机森林算法的工作方式如下： 1. 假设案例数为N，以N个案例的样本作为训练集。 2. 假设M是输入变量的个数，选择一个小于M的整数m。 3. 随机抽取m个特征，并用它们构建一棵决策树。 4. 对每棵树重复步骤2和3，直到构建出多棵决策树。 5. 最终，随机森林通过投票或平均值来确定最终的分类或回归结果。

通过以上介绍，您可以了解到这些算法的基本原理和应用场景。希望这些信息能帮助您更好地理解和应用机器学习技术。