【模型篇】01 记点脑子里还残存的关于模型分类的三种方式

一、碎语

      在开始记述最近看的的模型分类的三种方式前，先唠几句闲嗑（或许，这也是自我编写自我的博客最自在的地方，没有什么严格的条条框框，随心所欲的记述一些脑子里突然想到的有的没的的想法，然后顺带记录点正事。待他日回首，些许能从这些碎语中，勾连起曾在此时此刻的某种心境。）。

      知识的输入和输出，通过何种形式传播，在这个短视频爆火的时代，好像文字或者书本的市场严重受到了积压。信息化的发展，让我们每个人获取新知识的途径变短了，也变容易了。却好像也让我们对于知识的渴求，欲望若即若离，似乎在想着暴增暴涨，却不曾真正的静下心来沉淀自己。看书没有几分钟，就突然心生各种奇奇怪怪的杂念，去接杯水吧，顺带看眼手机吧，诶，再看下哪哪哪个动漫更新没，放松下自己。殊不知，在这些自我放纵切换的瞬间，整个人的精力或者说注意力也随之转换。

      突然想起一个词：自律，大概这就是所谓的自律，能够不动如山的落实在自己最初想做的事情上。还想起来一句常见的话：为什么大多数人宁愿吃生活的苦,也不愿吃学习的苦?，因为生活苦大多是被动接受，或者说不得不受吧，渐渐让人麻痹；而学习的苦，是自作自受，主动找虐，需要保持敏锐的触感，从而渐渐让人清醒。懒惰使我们在尚未完全清醒前，就选择继续沉睡，甚或是装睡。延时满是和即时享乐，内啡肽和多巴胺的快乐，只有切身都体会过其带来的快乐，或许闲唠的生活苦和学习苦，就都不攻自破，正向的反馈一旦产生，就会持之以恒的持续下去吧。要看见光，就得感受过穿越黎明前的黑暗，若非如是，可能即便沐浴在阳光下，也感受不到阳光的存在吧。

      闲篇彻底扯远了，回归正题，关于模型的分类，根据个人目前看到的资料和信息，可以从三个不同的视野，对模型进行分类。

二、模型的三种分类方式

1. 监督学习和非监督学习

      这种分类方式，是根据训练样本中是否带有标签¹，从而分类的。

• 也就是说，训练集中既有特征，也有标签，就是监督学习。通过训练，找到特征和标签之间的联系，从而针对只有特征的数据，可以通过训练的模型，得到对应的标签。（根据标签是连续的还是离散的，进一步细分为回归问题和分类问题。）
• 只有特征没有标签，就是非监督学习。这类模型学习的是数据的内在联系和相似性，从而将样本划分为若干群，即为聚类，或者是对高维的数据进行降维。

2. 参数模型和非参数模型

      这种模型分类方式，则是通过训练的模型的形式是否确定来区分的。

• 也就是说，在开始训练模型前，就已经假定好模型的表达式形式，那就是参数模型。训练过程中，就是确定目标表达式中的参数的值。如：线性模型：y=ax+b,训练就是确定参数 a ,b 的值。
• 对应的，在训练模型时，模型的表达式是不确定的，通过在训练过程中逐步确定表达式的，即为非参数模型。

优缺点记忆点
a. 参数模型：

• 优点： 可解释性好，训练和学习速度快，需要的数据量相对小。
• 缺点： 需要提前对目标函数做出假设，容易产生欠拟合（现实问题一般相对复杂，假定的参数模型相对简单）。
  b. 非参数模型：
• 优点： 不用假定目标函数形式，学习函数可以从训练数据中学习到任意形式的函数。（当训练数据量趋于无穷时，非参数模型可以逼近任意复杂的真实模型。）在数据量大，逻辑复杂的问题中效果往往好于参数模型。
• 缺点： 有很多超参数要选择，计算量更大，对问题的可解释性更弱。

3. 生成模型和判别模型

      这种分类方式，则是从模型学习的方式来区分的。

• 也就是说，生成模型是通过学习特征和标签一起出现的概率（官方说法：联合概率），进而确定特征出现的情况下，标签出现的概率（条件概率）。常见的模型有朴素贝叶斯，隐马尔可夫模型，混合高斯模型等。
• 而判别模型则是直接学习条件概率。常见的模型都是此类，如 决策树模型，SVM模型，逻辑回归模型等等。

优缺点记忆点
a. 生成模型

• 优点： 在数据量充足的情况下，能较好的估计概率密度，模型的收敛速度快，并且能处理隐变量的问题。
• 缺点： 相比判别模型，需要的数据量更大，计算量也大，准确性和适用范围弱于判别模型。
  b. 判别模型
• 优点： 对数据量相对要求比较低，准确性和适用范围更广。
• 缺点： 不能处理隐变量问题（隐变量是个啥，需要再瞅瞅，忘光光了），数据量大，模型训练速度比生成速度慢。

三、小结

      简单而言，就是出发角度不同，从而形成了不同的分类方式。但也同时说明，从不同的角度出发，会让我们对一件事情可以有更多方位的了解，看见不同的着眼点，从而更好的帮助找到我们需要的契合点。

---

如下是博主个人微信公众号二维码，后续的更新也会同步微信公众号，根据在公众号中建立的标签体系，更方便查看相关系列文章。

博主写博文就是方便对自己所学所做的事做一备份记录或回顾总结。具体问题，欢迎留言。

---

1. 《拿下Offer:数据分析师求职面试指南》,徐麟,电子工业出版社,北京,2020,9787121389252 ↩︎