機器學習入門（2）：從QQ音樂推薦系統到邏輯回歸

• 引子：QQ音樂推薦系統
• 決策面
• 邏輯回歸
• 案例分析

一、引子：QQ音樂推薦系統

打開我的手機APP音樂，查看今日推薦歌單。歌手是最近常聽的幾位，QQ音樂還是有點懂我。

當我聽到一首歌曲，我會從節奏、強度等特徵判斷是否喜歡。

在機器學習中，節奏、強度就是特徵，喜歡or不喜歡是標籤。

QQ音樂模擬人的決策過程，先從你的歷史歌單中學習歌曲的特徵（節奏、強度等），並將這些特徵值輸入到模型，模型就會建立特徵和標籤的關係。當下一首歌曲出現時，特徵值會輸入到模型中，從而返回喜歡or不喜歡，進而進行推薦。以上，這是QQ音樂的推薦系統的思路，當然實踐會複雜很多。

二、決策面（decision surface, D.S.）

我們再深入探討上述的案例，模型判斷歌曲喜歡or不喜歡是一個二分類問題。問題來了，喜歡or不喜歡有沒有一個明確是界限。此時，我們引入決策面的概念。上述案例中，只有兩個特徵：節奏和強度。給每一首歌的節奏和強度賦值，然後在二維坐標中畫出散點圖。黃色點代表喜歡，綠色點代表不喜歡。然而，紅色點接近中間，如何判斷呢？這時，如果有一個決策面，左邊的為喜歡，右邊的為不喜歡，那問題就顯而易見了。

在機器學習中，處理分類問題的關鍵就是，將測試數據的標籤和特徵轉化成一個決策面。機器學習中，有很多演算法可以求得決策面。

如何預測模型的準確率，就要用正確率這個指標，正確率=正確分類個數/數據總數。注意，這裡的數據集都是來自測試數據。

三、邏輯回歸（logistic regression）

邏輯回歸是一個典型的二分類問題，由於名字有誤導性，它並非是一個回歸問題。邏輯回歸的標籤只有兩種類型，一般用0和1表示。它的核心是邏輯函數：

可以看出，通過邏輯函數，可以把y值的範圍控制在0到1之間。當y≥0.5時，代表特徵1，y<0.5時，代表特徵0。

四、案例分析

案例：研究考試數據和考試是否能通過的關係

可以看出，測試數據的正確率為1，說明全部預測準確。

輸入3小時，可以看到未通過的概率為44%，通過的概率為56%。

以上就是此次的內容，請走過路過的親多對支持！

推薦閱讀：