2018-03-02@机器学习的两本书里的模型分类

最近1个月，阅读机器学习相关书籍的过程中，陆陆续续看到太多的算法。如何把这些算法或是模型上架（归类）到脑子中，是个小难题。网上到是有大家顶贴比较多的归类方式，如“人工智能之机器学习算法体系汇总”  http://blog.csdn.net/dream_an/article/details/76358374 。 文章中的思维导图的划分方式与《图解机器学习》这本书的里划分类似。 也是当前的主流划分方式。 监督学习，无监督学习，半监督学习，深度学习，强化学习，迁移学习，及其它（集成学习等）。 与此对比的李航老师写的《统计学习方式》里到是直接把各模型算法给平铺出来。从第二章开始，每一章讲一种方法。 分别讲了感知机，k近邻法，朴素贝页斯，决策树，LR与最大熵模型，SVM，提升方法，EM算法（此方法不具有具体模型）隐马尔可夫模型，条件随机场。 

初步看了，统计学习方法这本书里只是各种方法的罗列。 在翻看了该书的第一章节后发现，原来这一章节就是帮读者搭建框架的。 而恰恰就讲到了何为监督学习，以及把监督下面分成了“分类”，“标注”与“回归” 。 这与《图解机器学习》一书里的划分就一致了，“图解机器学习” 将方法分成了几大部分“有监督回归” “有监督分类” “无监督学习” “新兴机器学习算法”  。 

《统计学习方法》一书中，把方法 = 模型 + 策略 + 算法 

模型 ： 在监督学习过程中，模型就是所要学习的条件概率分布或决策函数

策略： 从假设空间中选取最优模型，这就引入了损失函数与风险函数的概念

算法： 学习模型的具体计算方法