一、概念

1、定义

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。

2、假设空间

模型的假设空间（hypothesis space）包含所有可能的条件概率分布或决策函数。

假设空间中的模型一般有无穷多个。

3、假设空间与决策函数

假设空间用F表示。 假设空间可以定义为决策函数的集合，通常是由一个参数向量决定的函数族

4、假设空间与条件概率

假设空间也可以定义为条件概率的集合，这时F通常是由一个参数向量决定的条件概率分布族

5、模型划分

简便起见，有时称由决策函数表示的模型为非概率模型， 由条件概率表示的模型为概率模型。

二、概率模型与非概率模型

1、概率模型和非概率模型

统计学习的模型可以分为概率模型(probabilistic model)和非概率模型(non-probabilistic model)或者确定性模型(deterministic model)

2、示例

决策树、 朴素贝叶斯、 隐马尔可夫模型、 条件随机场、 概率潜在语义分析、 潜在狄利克雷分配、 高斯混合模型是概率模型。

感知机、 支持向量机、 k近邻、 AdaBoost. k均值、 潜在语义分析， 以及神经网络是非概率模型。

逻辑斯谛回归既可看作是概率模型， 又可看作是非概率模型。

3、形式

在监督学习中， 概率模型取条件概率分布形式P(y|x),非概率模型取函数形式y = f(x),其中x是输入， y是输出。

在无监督学习中， 概率模型取条件概率分布形式P(z|x)或P(x|z),非概率模型取函数形式z = g(x),其中x是输入， z是输出。

4、生成模型与判别模型

在监督学习中， 概率模型是生成模型， 非概率模型是判别模型。

概率模型表示了给定输入x产生输出y的生成关系，所以称为生成模型。

判别模型关心的是对给定的输入X,应该预测什么样的输出Y。

5、关联与转化

条件概率分布P(y|x)和函数g = f(x)可以相互转化(条件概率分布P(z|x)和函数z = g(x)同样可以)。

具体地， 条件概率分布最大化后得到函数， 函数归一化后得到条件概率分布。

所以， 概率模型和非概率模型的区别不在于输入与输出之间的映射关系， 而在于模型的内在结构。

概率模型一定可以表示为联合概率分布的形式， 其中的变量表示输入、 输出、 隐变量甚至参数。

而针对非概率模型则不一定存在这样的联合概率分布。

6、概率图模型

概率模型的代表是概率图模型(probabilistic graphical model),概率图模型是联合概率分布由有向图或者无向图表示的概率模型， 而联合概率分布可以根据图的结构分解为因子乘积的形式。

贝叶斯网络、 马尔可夫随机场、 条件随机场是概率图模型。

三、线性模型与非线性模型

统计学习模型， 特别是非概率模型， 可以分为线性模型(linear model)和非线性模型(non-linear model)

1、定义

如果函数y = f(x)或z = g(x)是线性函数， 则称模型是线性模型， 否则称模型是非线性模型。

2、示例

感知机、 线性支持向量机、 k近邻、 k均值、 潜在语义分析是线性模型。

核函数支持向量机、 AdaBoost、神经网络是非线性模型

深度学习(deep learning)是复杂神经网络的学习， 也是复杂的非线性模型的学习

3、参数化与非参数化

统计学习模型又可以分为参数化模型(parametric model)和非参数化模型(nonparametric model)

参数化模型假设模型参数的维度固定， 模型可以由有限维参数完全刻画；

非参数化模型假设模型参数的维度不固定或者说无穷大， 随着训练数据量的增加而不断增大

4、示例

感知机、 朴素贝叶斯、 逻辑斯谛回归、 k均值、 高斯混合模型是参数化模型。

决策树、 支持向量机、 AdaBoost、k近邻、 潜在语义分析、 概率潜在语义分析、潜在狄利克雷分配是非参数化模型

5、特点

参数化模型适合问题简单的情况，

现实中问题往往比较复杂， 非参数化模型更加有效