| 方法 | 適用問題 | 模型特點 | 模型類型 | 學習策略 | 學習的損失函數 | 學習算法 | 注意事項 | ||||||||||||
| 感知機 | 二類分類 | 分離超平面 | 判別模型
|
極小化誤分點到超平面距離 | 誤分點到超平面的距離
|
隨機梯度下降 | 對偶解法（Gram矩陣） |
||||||||||||
| k近鄰法 | 多類分類， 回歸 |
特征空間， 樣本點 |
判別模型
|
三要素： 1、距離度量：曼哈頓和歐氏距離 2、k值選取：（估計誤差和近似誤差），交叉驗證求最優 3、分類決策：多數表決 kd樹（構造和搜索，適用於訓練實例遠大於空間維數） |
|||||||||||||||
| 朴素貝葉斯法 | 多類分類 | 特征與類別的聯合概率布，條件獨立解釋 |
生成模型
(學習聯合概率，求條件概率) |
極大似然估計(參數估計)， 極大后驗概率估計 |
對數似然損失 | 概率計算公式， EM算法 |
(0-1損失函數)期望風險最小化就是后驗概率最大化 概率估計：極大似然估計或貝葉斯估計（拉普拉斯平滑） |
||||||||||||
| 決策樹 | 多類分類， 回歸 |
分類樹，回歸樹 | 判別模型
|
正則化的極大似然估計 | 對數似然損失 | 特征選擇，生成， 剪枝 |
if-then規則：互斥並且完備 啟發式學習，得出次最優 生成：局部最優；剪枝：全局最優
|
||||||||||||
| 邏輯斯蒂回歸 和最大熵模型 |
多類分類 | 特征條件下類別的條件 概率分布，對數線性模型 |
判別模型 | 極大似然估計， 正則化的極大似然估計 |
邏輯斯蒂損失 二項：
|
改進的迭代尺度算法， 梯度下降， 擬牛頓法 |
還差最大熵模型 | ||||||||||||
| 支持向量機 | 二類分類 | 分離超平面，核技巧 | 判別模型 線性： 非線性（核）：
|
極小化正則化合頁函數 軟間隔最大化 |
合頁損失 | 序列最小最優化SMO算法(解決大樣本下以往算法效率低的問題) | 凸優化問題是指約束最優化問題，最大分離間隔可化為凸二次規划問題 學習的對偶算法：拉格朗日對偶性 KKT條件：對偶問題和原始問題同最優化解 軟間隔就是允許異常值的間隔 感知機的損失函數的右平移是合頁函數 常用核：多項式核，高斯核 SMO：啟發式算法，第一個變量a1是違反KKT最嚴重的樣本點， 第二個變量a2是使其變化足夠大的點 |
||||||||||||
| 提升方法 | 二類分類 | 弱分類器的線性組合 | 判別模型
|
極小化加法模型的指數損失 | 指數損失 | 前向分步加法算法 | AdaBoost： 系數am：誤差越大的分類器，權值am越小 系數wm: 誤分類的樣本的權值wm 加大，正確分類的wm減少 GBDT： 回歸樹：平方損失(殘差)，指數損失，梯度提升(針對一般的損失函數)
|
||||||||||||
| EM算法 | 概率模型參數估計 | 含隱變量概率模型 | 極大似然估計 極大后驗概率估計 |
對數似然損失 | 迭代算法 | 不同初值可能得到不同的參數估計 EM算法是不斷求下界的極大化逼近求解對數似然函數極大化的算法，不能保證收斂到全局最優 高斯混合模型的EM算法 E步：Q函數-完全數據的期望 M步：極大化Q函數
|
|||||||||||||
| 隱馬爾可夫HMM | 標注 | 觀測序列與狀態序列的聯合概率分布模型 | 生成模型 時序模型 |
極大似然估計 極大似然后驗概率估計 |
對數似然損失 | 概率計算公式 EM算法 |
隱馬爾可夫三要素λ=(A,B,∏) 兩個假設：齊次馬爾可夫和觀測獨立 概率計算：直接計算和前后向算法 學習問題(參數估計)：監督學習法和非監督Baum-Welch算法(EM算法實現) 預測問題(求狀態序列):近似算法和維特比算法(動態規划) |
||||||||||||
| 條件隨機場CRF | 標注 | 狀態序列條件下觀測序列的條件概率分布，對數線性模型 | 判別模型 | 極大似然估計，正則化極大似然估計 | 對數似然損失 | 改進的迭代尺度算法，梯度下降，擬牛頓法 |
