Article Outline
10 种监督学习方法特点的总结概括
| 方法 | 适用问题 | 模型特点 | 模型类型 | 学习策略 | 学习的损失函数 | 学习算法 |
|---|---|---|---|---|---|---|
| 感知机 | 二类分类 | 分离超平面 | 判别模型 | 极小化误分点 | 误分点到超平面距离 | 随机梯度下降 |
| K 近邻法 | 多类分类，回归 | 特征空间，样本点 | 判别模型 | / | / | / |
| 朴素贝叶斯法 | 多类分类 | 特征与类别的联合概率分布，条件独立假设 | 生成模型 | 极大似然估计，最大后验概率估计 | 对数似然损失 | 概率计算公式，EM 算法 |
| 决策树 | 多类分类，回归 | 分类树，回归树 | 判别模型 | 正则化的极大似然估计 | 对数似然损失 | 特征选择，生成，剪枝 |
| 逻辑斯谛回归与最大熵模型 | 多类分类 | 特征条件下类别的条件概率分布，对数线形模型 | 判别模型 | 极大似然估计，正则化的极大似然估计 | 逻辑斯谛损失 | 改进的迭代尺度算法，梯度下降，拟牛顿法 |
| 支持向量机 | 二类分类 | 分离超平面，核技巧 | 判别模型 | 极小正则化合页损失，软间隔最大化 | 合页损失 | 序列最小最优化算法（SMO） |
| 提升方法 | 二类分类 | 弱分类器的线性组合 | 判别模型 | 极小化加法模型的指数损失 | 指数损失 | 前向分布加法算法 |
| EM 算法 | 概率模型参数估计 | 含隐变量概率模型 | / | 极大似然估计，最大后验概率估计 | 对数似然损失 | 迭代算法 |
| 隐马尔科夫模型 | 标注 | 观测序列与状态序列的联合概率分布 | 生成模型 | 极大似然估计，最大后验概率估计 | 对数似然损失 | 概率计算公式，EM 算法 |
| 条件随机场 | 标注 | 状态序列条件下观测序列的条件概率分布，对数线形模型 | 判别模型 | 极大似然估计，正则化极大似然估计 | 对数似然损失 | 改进的迭代尺度算法，梯度下降，拟牛顿法 |
EM算法在这里有些特殊，它是个一般方法，不具有具体模型。摘自《统计学习方法》 李航