机器学习常见模型

1、线性模型

线性模型是机器学习最基本的算法类型，它试图学到一个通过多个特征（属性）计算的线性组合来预测的函数，简单的线性回归形式如y=ax+b，其中，x代表特征，而y代表结果，一旦a和b的值能到确定，模型即得以确定，此时若输入新的x就可以推算新的y。如果变量仅有一个，则称为一元线性回归，若存在超过一个的自变量，即将x、y、a、b均扩展为向量，则称为多元线性回归。

使用线性回归能够预测数据趋势​，还可以处理分类问题。除线性回归外，经典的线性模型中还包括逻辑回归，逻辑回归可以视为广义的线性回归，其表现形式与线性回归相似，但使用逻辑函数将ax+b映射为一个隐状态，再根据隐状态的大小计算模型取值，其损失函数是最小化负的似然函数。

线性模型的缺点是难以预测复杂的行为，并容易出现过拟合。

2、 决策树

决策树是另一类常见的机器学习方法，其模型是一个树型结构（见图8-3）​，也可看作有向无环图，其中树的节点表示某个特征，而分叉路径代表不同的判断条件，数据将从根节点行进到叶节点，依据特征进行判断，最终在叶节点得到预测结果。常见的决策树算法有ID3、C4.5和CART等，其区别主要在于依据什么指标来指导节点的分裂。例如，ID3以增熵原理来确定分裂的方式，C4.5在ID3基础上定义了信息增益率，避免分割太细导致的过拟合，而CART使用的则是类似熵的基尼指数。

与线性模型类似，决策树也包括分类树和回归树，其优势是易于理解、实现，也易于评测，但缺点是训练最优的决策树可以被证明为完全NP问题，因此只能使用启发式算法，并且容易过拟合，通过对特征的选择、对数据的选择和对模型的剪枝能够缓解。此外，决策树的平衡