基于大數(shù)據(jù)分析的在線學(xué)習(xí)算法理論探究

汪 云 曾 平 謝小義

（天門職業(yè)學(xué)院 湖北天門 431700）

引 言

隨著科學(xué)技術(shù)的不斷發(fā)展，以大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)為代表的先進(jìn)科技，逐漸在生活中產(chǎn)生了深遠(yuǎn)的影響。熱別是大數(shù)據(jù)技術(shù)，能夠通過對數(shù)據(jù)的收集、存儲、計(jì)算和分析，使數(shù)據(jù)價(jià)值的意義得到充分的發(fā)揮，對生活各方面的影響越來越深遠(yuǎn)。傳統(tǒng)的大數(shù)據(jù)計(jì)算，采用的是批量計(jì)算模式；經(jīng)過不斷發(fā)展，逐漸發(fā)展為在線學(xué)習(xí)計(jì)算，其效率得到了顯著的提升，這一過程具有非常重要的現(xiàn)實(shí)意義。

一、基于大數(shù)據(jù)分析的在線學(xué)習(xí)算法的關(guān)鍵

盡管當(dāng)前基于大數(shù)據(jù)分析的在線學(xué)習(xí)算法已經(jīng)逐漸成熟，但是在以下三個(gè)方面還面臨著關(guān)鍵的問題。

（一）收斂性較低

對于大數(shù)據(jù)技術(shù)來說，要處理的各種流數(shù)據(jù)具有非常明顯的隨機(jī)性，但是這些隨機(jī)性的數(shù)據(jù)需要對其展開實(shí)時(shí)處理，并將結(jié)果迅速反饋出來；而且絕大多數(shù)的流數(shù)據(jù)僅僅在短時(shí)間內(nèi)有價(jià)值，因此通過大數(shù)據(jù)展開計(jì)算和分析的數(shù)據(jù)，往往只有很少一些能夠保存，而絕大部分會被放棄。因此，針對此類計(jì)算，系統(tǒng)必須要具備很高的收斂速度，才能夠確保流數(shù)據(jù)的價(jià)值能夠在其有效期內(nèi)得到體現(xiàn)[1]。但是當(dāng)前的在線學(xué)習(xí)算法，盡管與傳統(tǒng)的批量學(xué)習(xí)計(jì)算相比，其效率已經(jīng)有了大幅提升，但是其收斂性卻明顯不足，在分析實(shí)時(shí)流數(shù)據(jù)方面依然需要持續(xù)改進(jìn)。

（二）可擴(kuò)展性較低

大數(shù)據(jù)要處理的流數(shù)據(jù)是一個(gè)非常龐大的數(shù)據(jù)量，而且在數(shù)據(jù)源不停止的情況下，數(shù)據(jù)會持續(xù)生成，因此這樣的數(shù)據(jù)的數(shù)量是難以量化的；同時(shí)，系統(tǒng)在針對流數(shù)據(jù)實(shí)施計(jì)算分析的過程中，由于具有無限多的龐大數(shù)據(jù)，所以是無法通過硬盤予以存儲的，因此這樣必然會造成流數(shù)據(jù)管理難度非常高。采用在線學(xué)習(xí)算法，也無需儲存流數(shù)據(jù)，而是僅僅就內(nèi)存中數(shù)據(jù)實(shí)施計(jì)算，這就意味著其擴(kuò)展性相對較低，這對于在線算法的性能來說也是一種嚴(yán)重的制約。

（三）自動化工具較少

基于大數(shù)據(jù)分析的在線學(xué)習(xí)算法，往往需要在這個(gè)過程中對一些格式實(shí)施轉(zhuǎn)化，對相關(guān)參數(shù)實(shí)施優(yōu)化，然后才能夠更好地滿足計(jì)算目標(biāo)，獲得良好的滿意度。在傳統(tǒng)的批量計(jì)算模式下，因?yàn)檫@是一種靜態(tài)訓(xùn)練的分析模式，所以出現(xiàn)了一些自動化工具，并且經(jīng)過發(fā)展已經(jīng)非常成熟，諸如Libsvm工具，這為批量計(jì)算模式提供了諸多便利[2]。然而，隨著在線學(xué)習(xí)算法的出現(xiàn)，計(jì)算遇到的難度更大。既因?yàn)閿?shù)據(jù)產(chǎn)生速度過快，又由于數(shù)據(jù)的生成量過大，而且要實(shí)現(xiàn)動態(tài)訓(xùn)練，所以使得傳統(tǒng)的工具都無法適用。因此，適合于在線學(xué)習(xí)算法的自動化工具非常匱乏，這在一定程度上限制了在線學(xué)習(xí)算法的應(yīng)用。

二、幾種基于大數(shù)據(jù)分析的在線學(xué)習(xí)算法

（一）在線學(xué)習(xí)的線性模型

1.感知器的在線學(xué)習(xí)算法

在當(dāng)前大數(shù)據(jù)分析為基礎(chǔ)的在線學(xué)習(xí)算法中，產(chǎn)生了多種不同的算法，然而就應(yīng)用范圍來看，感知器的應(yīng)用是最為廣泛的一種。這是一種屬于機(jī)器學(xué)習(xí)仿生學(xué)領(lǐng)域的分類學(xué)習(xí)機(jī)的模型，其算法具有較高的復(fù)雜度，在當(dāng)前機(jī)器算法領(lǐng)域中有著非常廣泛的應(yīng)用。其主要算法原則為[3]：在正確分類的前提下，無需對其權(quán)重實(shí)施變化，因此對其實(shí)施“賞”；在錯(cuò)誤分類的前提下，則應(yīng)當(dāng)對其發(fā)生的錯(cuò)誤予以修正，就是調(diào)整其方向，因此應(yīng)當(dāng)針對其權(quán)重實(shí)施“罰”。然后，針對全部錯(cuò)誤分類樣本，以求和方式實(shí)施懲罰，具體可依據(jù)如下的算法公式：

從在線學(xué)習(xí)算法的分類上來看，感知器算法本質(zhì)上是一種賞罰算法。該算法被廣泛應(yīng)用于線性可分問題的解決；而且作為一種相對比較基礎(chǔ)的在線學(xué)習(xí)算法，感知器算法的出現(xiàn)，對于推動及其學(xué)習(xí)具有非常重要的意義。另外，隨著感知器算法的不斷發(fā)展，出現(xiàn)了一種更具收斂性的二階感知器，這是一種可以持續(xù)對公式實(shí)施更新的計(jì)算方法，未來應(yīng)該有更廣泛的應(yīng)用前景。

2.在線學(xué)習(xí)中被動—主動算法

這是一種能夠主動得出全局最優(yōu)解，并且以此為基礎(chǔ)對其展開驗(yàn)證并能夠確保其實(shí)現(xiàn)的算法模型。這種算法的本質(zhì)思維，就是在一個(gè)樣本的支持向量機(jī)的基礎(chǔ)設(shè)想，從而使得向量機(jī)最大間隔約束得以有效的轉(zhuǎn)化。此外，該算法的更新采用了如下的機(jī)制，當(dāng)新數(shù)據(jù)出現(xiàn)錯(cuò)誤，則會對算法實(shí)施更新，以最大程度的避免數(shù)據(jù)錯(cuò)誤；當(dāng)新數(shù)據(jù)無錯(cuò)誤，則算法繼續(xù)使用無更新。

3.在線稀疏解學(xué)習(xí)算法

該算法的根本原理是以批量整體訓(xùn)練為基礎(chǔ)以得到邊界最優(yōu)值。然而，因?yàn)樵诰€學(xué)習(xí)算法都是以隨機(jī)梯度下降法作為訓(xùn)練方法的，所以在實(shí)際應(yīng)用中結(jié)果的稀疏性是非常難以保障的，而通過梯度截取法，則能夠在一定程度上得到有效稀疏解。通常是在過程中，把更新權(quán)重都以0賦值，這樣就能夠讓出現(xiàn)的特征數(shù)目進(jìn)一步增加，從而表現(xiàn)出稀疏權(quán)重向量。與隨機(jī)梯度下降法相比，梯度截取法注意更能夠保障算法的性能[4]。

（二）在線學(xué)習(xí)的非線性模型

在了解了在線模型的線性模型以后，我們對非線性模型也做一些簡單的介紹。當(dāng)前，主要的非線性模型有如下的四種方法。第一種是核感知器，這種方法本質(zhì)上是線性模型中感知器算法的一種升級和發(fā)展，是一種基于核函數(shù)思想而產(chǎn)生的算法，使得其算法分類能力得到了非常明顯的提升。第二種是核在線被動—主動算法，這同樣是一種基于核函數(shù)產(chǎn)生的算法，該算法在批量向量機(jī)處理方面顯示了非常強(qiáng)大的能力，然而迄今為止尚未大規(guī)模針對實(shí)用數(shù)據(jù)訓(xùn)練，因此實(shí)際應(yīng)用中還不廣泛。第三種是固定的緩沖器核在線學(xué)習(xí)算法，這是一種通過對隨機(jī)感知器分類錯(cuò)誤的集合的判斷，當(dāng)集合狀態(tài)充分飽和，則以一個(gè)新的將次樣本替換，以確保數(shù)據(jù)盡可能保持一定穩(wěn)定性。第四種是核在線梯度下降法，這種方法目前也尚未大范圍推廣應(yīng)用。

（三）非傳統(tǒng)的在線學(xué)習(xí)算法

除了上面介紹的各種在線學(xué)習(xí)算法以外，還有一些非傳統(tǒng)在線學(xué)習(xí)算法，其中最為典型的有兩種，一種是多任務(wù)在線學(xué)習(xí)，另一種是組LASSO在線學(xué)習(xí)。前者主要是基于共享信息的前提下實(shí)施若干關(guān)聯(lián)任務(wù)的同時(shí)學(xué)習(xí)，因此其效率相對于常規(guī)學(xué)習(xí)方法來說要明顯更高。后者的主要優(yōu)勢是使用非常便捷，復(fù)雜程度相對較低，因此其在學(xué)習(xí)目標(biāo)變量選擇方面有較為廣泛的應(yīng)用。

三、基于大數(shù)據(jù)分析的在線學(xué)習(xí)算法的發(fā)展趨勢

（一）學(xué)習(xí)的泛化能力與可理解性的強(qiáng)化

當(dāng)前大數(shù)據(jù)領(lǐng)域的研究日新月異，在這樣的發(fā)展速度下，我們有理由相信，在未來的發(fā)展中，在線學(xué)習(xí)算法必然會遇到各種各樣的極具挑戰(zhàn)性的問題，而克服這些挑戰(zhàn)性問題就是推動技術(shù)持續(xù)發(fā)展的動力。其中，提升學(xué)習(xí)泛化能力是在線學(xué)習(xí)算法的發(fā)展中遇到的一大難題之一，而這也是當(dāng)前在應(yīng)用領(lǐng)域?qū)τ趯W(xué)習(xí)算法的最大的期待。就當(dāng)前學(xué)習(xí)理論的發(fā)展?fàn)顩r來看，向量機(jī)泛化能力技術(shù)，基本上都涵蓋了從理論到實(shí)踐的全方面。并且，在很多領(lǐng)域中，可理解性對于學(xué)習(xí)算法同樣具有至關(guān)重要的意義。

（二）學(xué)習(xí)速度與應(yīng)用能力的提升

在社會的實(shí)踐領(lǐng)域，將各種機(jī)器學(xué)習(xí)方法融入其中，從而在提升社會事務(wù)效率的同時(shí)，也使得機(jī)器學(xué)習(xí)速度得到進(jìn)一步提升，這是在大數(shù)據(jù)理論不斷發(fā)展以后研究人員追逐的目標(biāo)。然而，在學(xué)習(xí)速度和訓(xùn)練速度之間，如何能夠找到有效的平衡，進(jìn)而消除二者矛盾，這是一個(gè)非常重要的課題。比如，K鄰算法盡管其測試速度相對較差，但是實(shí)際應(yīng)用的速度卻非常理想[5]。傳統(tǒng)學(xué)習(xí)算法，主要針對標(biāo)記數(shù)據(jù)，而在線學(xué)習(xí)算法將針對所有產(chǎn)生的數(shù)據(jù)展開，因此其對處理速度有更高的要求；再加上在處理過程中還必然會受到屬性變化、噪聲干擾等影響，因此還需要其具有更強(qiáng)的應(yīng)用能力，從根本上提升其應(yīng)用效率。

四、小結(jié)

大數(shù)據(jù)時(shí)代的來臨，對于在線學(xué)習(xí)算法來說，既是一種良好的機(jī)遇，又提出了更高的挑戰(zhàn)。所謂機(jī)遇，是因?yàn)榇髷?shù)據(jù)為在線學(xué)習(xí)算法提供了更優(yōu)秀的技術(shù)支持；所謂挑戰(zhàn)，是因?yàn)榇髷?shù)據(jù)獨(dú)有的諸多特性，顛覆了傳統(tǒng)學(xué)習(xí)算法，主要是批量機(jī)器學(xué)習(xí)的模式。在無法計(jì)量，且不斷生成的大數(shù)據(jù)模式下，批量機(jī)器算法遠(yuǎn)遠(yuǎn)無法滿足實(shí)際計(jì)算需求，而在線學(xué)習(xí)算法當(dāng)前也還存在著一些問題。基于此，本文針對基于大數(shù)據(jù)在線學(xué)習(xí)算法展開總結(jié)性的闡述，同時(shí)對未來的發(fā)展趨勢也作出了分析，筆者希望其有助于我國在線學(xué)習(xí)算法的不斷發(fā)展和推廣應(yīng)用。