統計學習方法總結、應用對比
阿新 • • 發佈:2019-02-14
下面主要從模型、策略、演算法、應用四方面來對10種統計學習方法,進行歸類總結。
方法 | 模型 | 策略 | 演算法 | 應用 |
---|---|---|---|---|
感知機 | 超平面模型 | 極小化誤分點距離 | 隨機梯度下降法 | 二類分類 |
樸素貝葉斯法 | 對條件概率分佈作條件獨立性的假設 | 極大似然估計、極大後驗概率估計 | EM演算法 | 多類分類 |
k近鄰法 | k,distance公式 | 多數決策(找出輸入的k個最接近的點,看哪個類的點最多) | k近鄰演算法 | 多類分類,迴歸 |
決策樹 | 分類的樹形結構 | 正則化極大似然估計 | 特徵選擇,生成,剪枝 | 多類分類,迴歸 |
邏輯斯諦迴歸 | 用邏輯斯諦分佈表示條件概率分佈 | 極大似然估計引數 | 最優化演算法,如改進的迭代演算法、擬牛頓法 | 多類分類 |
支援向量機 | 核技巧的超平面 | 極小化合頁損失 | 序列最小最優化演算法(smo) | 二類分類 |
提升方法 | 弱分類組合 | 極小化加法模型的指數損失 | 前向分步演算法 | 二類分類 |
EM演算法 | 極大似然估計隱含層模型引數 | 極大似然估計 | 迭代演算法 | 概率模型引數估計 |
隱馬爾可夫模型 | 觀測序列與狀態序列的聯合概率模型 | 極大似然估計,極大後驗估計 | EM演算法 | 標註 |
條件隨機場 | 與給定結點不相連的都不影響該點的條件概率 | 極大似然估計 | 最優化演算法,如改進的迭代演算法、擬牛頓法 | 標註 |
1.感知機
感知機,和支援向量很相似,但感知機只能適用於線性劃分的場合,常用於 二類分類問題。