前言

這是知乎上一個問題：k近鄰、貝葉斯、決策樹、svm、邏輯斯蒂回歸和最大熵模型、隱馬爾科夫、條件隨機場、adaboost、em 這些在一般工作中分別用到的頻率多大?一般用途是什么?需要注意什么?

這個問題有1.3萬關注，50個回答，我知乎賬號解封還有幾個小時，先寫在公眾號上，正好前面寫過兩個問題，很多思路都是一致的，今天當個縫合怪，這個系列就完整了。

引入

時間來到了2021年，神經網絡從沒人考慮，到現在已經開始獨領風騷，各個領域，各個場景，NN都變得不可或缺。

我們把這一些算法分分類，大體可以分為有監督和無監督。大部分回答也是集中在有監督的選型上，無監督確實在實際工作應用中，因為各種問題沒有像有監督那樣好施展拳腳。

我們拋開他們復雜的外衣，抽絲剝繭，找到他們應用的關鍵差異吧。沒有最牛的算法，只有最合適的場景。

我還是出那道最經典的題目吧。

題目：請使用一個邏輯回歸的模型，建模一個身材分類器，身材分偏胖和偏瘦兩種，輸入的特征有身高和體重。

數據集大概長這樣：

我們從邏輯回歸開始講起，順便引入一個貫穿全文非常關鍵的概念，非線性。

LR

邏輯回歸解決的方法就是我拍兩個系數加權，使用 sigmoid(ax+by+c)就搞定了。LR建模的過程，就是學習到a b c 三個參數的過程。

LR在早期工業界，有著舉足輕重的地位，你可能聽說過鳳巢上億特征解決個性化廣告的傳說。

那大概是LR這輩子的高光時刻吧。他就是搞了上億個這樣的參數，然后算了個加權求和，通過sigmoid轉化為概率?？雌饋磉@個模型，有多少人力，就有多少智能，非常接近人工智能的本質了，我只要能把特征搞出來，權重算出來，那問題不就迎刃而解了嗎?

事實上，我們很難單純地從身高和體重決策出一個人的身材，你說姚明體重280斤，他真的一定就胖嗎??別忘了他身高有226公分的。

這組數據可能超出了你的認知，只看數據不看照片，一下子不好說他是胖還是瘦。(其實挺胖的哈哈)

嗯，這個你看到那組數據，不好一下子說出來的感覺，就是機器學習里面非常關鍵的概念，“非線性”。

這個問題不是那么好“線性“解決的，線性解決的意思就是我拍兩個系數加權在原始特征x和y上，使用 sigmoid(ax+by+c)就搞定了。

解決的方法有兩個：

1.升級模型，把線性的邏輯回歸加上kernel來增加非線性的能力。我們使用這個模型 sigmoid(ax+by+kx*y^(-2)+c)，這個模型通過多項式核方法的升級，解決了低維空間線性模型不太好解決的問題。

2.特征工程，掏出體檢報告上的BMI指數，BMI=體重/(身高^2)。這樣，通過BMI指數，就能非常顯然地幫助我們，刻畫一個人身材如何。甚至，你可以拋棄原始的體重和身高數據。

類似的問題還有樸素貝葉斯和SVM。

貝葉斯

大家接觸樸素貝葉斯估計都是從文本分類的任務開始的。教科書上非常常講的垃圾郵件分類例子。

樸素貝葉斯作為經典的統計機器學習方法，根正苗紅的貝葉斯原理的應用，是最最直觀，最最樸素和最最快的算法。

還是用我上面講的例子，樸素貝葉斯解決這個問題怎么做的呢?

我只需要算一個這樣的貝葉斯公式就好了

p(類別|特征) = p(特征|類別)*p(類別)/p(特征)

特征就是身高、體重，類別就是身材。

最后三項，對應著用身高體重身材的等維度的統計概率，都是可以在數據集中統計出來的，貝葉斯模型訓練的過程，就是算這些各種形式概率表達式的過程。這樣，我就把預測變成了查表連乘的過程，查表是計算機中最快的操作，意味著他也是推斷最快的模型。

樸素貝葉斯假設各特征之間的條件獨立性，即

p(身高、體重|身材) = p(身高|身材)*p(體重|身材)

也由于他的過度簡化，導致它幾乎只在特定場景應用了，比如特別簡單的文本分類就比較適合樸素貝葉斯。

SVM

支持向量機也是線性的模型。

SVM應該是學術界非常喜歡的模型，他有著分類器最美好的愿望，在特征空間里畫一個平面，把樣本點劃分開，這個模型算是把可視化角度可解釋性拉滿了。

往往事與愿違，很多并不是線性可分的，你沒辦法簡單的畫一個超平面。你需要畫一個很曲折的東西，才能把他們分好。

回到剛才的身材分類器的例子上，如果你沒有BMI指數，和有BMI指數，SVM的超平面截然不同。

有BMI指數的話，我在一維度坐標軸上畫一個點就能解決。

要是沒有BMI指數的話。你也只能像LR那樣，通過核方法來解決了。在方式一我們使用了核方法給這些模型升維，方式二使用了特征方法。

要知道天下沒有免費的午餐，在你使用核方法升維的時候，實際很難精煉出恰好是x*y^(-2)這樣的多項式表達，你肯定是一股腦地把x*y，x^2*y, x*y^2 這些項都扔進去了。

決策樹

這么暴力的操作，有兩個問題，一是共線性，二是噪聲。

第一、共線性的意思是幾個項表達的含義是趨同的，保持了很強的線性關系，對于邏輯回歸是致命的問題，因為他帶來了權重的不穩定，要知道邏輯回歸權重可是暗示了特征重要性的。還會破壞樸素貝葉斯的基本假設。這些都是有副作用的。

(要是你對這段話，不好理解的話，仔細學習下邏輯回歸模型和共線性的理論，此處不單獨展開)

第二、噪聲讓你的分類器學習到了一些不好的東西，對你的決策沒有產生泛化的貢獻，反而帶跑偏你的模型，學習到了一些不是知識的邊邊角角。

而有一些模型，他們天然可以解決這些問題。

典型的就像決策樹和神經網絡。

決策樹的優點

1.天然的魯棒性，能自動從異常點，缺失值學到信息。不需要歸一化。直接上手一把梭哈。

2.樹可以半自動化地完成一些特征非線性表達的工作，而且基于貪心切分+采樣等抗過擬合手段，能比較好的挖掘數據的非線性。

3.樹的可解釋性很好，能生產特征重要性，幫助你理解數據，改善特征工程。一個經典的套路是思考topN特征背后的邏輯，并圍繞他們進行特征工程。

神經網絡

NN模型也有一些天然的優點：

1.全自動化的特征工程和登峰造極的非線性表達能力，在數據表征范式統一，語義含義統一的稠密數據上(典型文本圖像)上，NN一個打十個。另外，典型的像ID序列這種，人很難做出花來。也就是Bag of words或者借用embedding表達一下，還有一半是NN的功勞。

2.NN模型容量極大，在數據量的加持上，放大了1的優勢。

但是看起來樹模型的優點在其他模型也有，他們跟SVM和LR這些模型比又有啥區別呢?

1.第一，這些模型獲取非線性的方式太粗暴了，有種大炮打蚊子的感覺。依靠kernel強行把VC維提高，帶來的噪聲特別多，有用信息很少。第二，kernal是有先驗的，很容易被人設的參數帶跑偏。這在實際業務數據中是非常致命的。

2.理論上LR+完美的特征工程可以很強，但是太難了，又不是人人都是特征工程大師。早期鳳巢億級特征跑LR效果特別好逐漸成為傳說。

給你們整個表吧

	優勢	劣勢
LR等	速度極快，可解釋性普遍很高。	無非線性，依賴kernel， 人工特征工程。
決策樹	1.魯棒，異常點，缺失值都是可以學習的信息 2.適中的非線性能力，在一定范圍內是優勢3.可解釋性很好，可以幫你優化特征工程	1.非線性表達能力有限，很難在文本圖像上有用。 2.數據量帶來的邊際增益不大，容易觸及天花板。
NN	1.全自動化的特征工程 2.模型容量大，可以利用數據量的優勢	1.異常值敏感，依賴手動處理 2.不可解釋，改進迭代的措施和結果的路徑太遠。3.過強的非線性中隱含過擬合和噪音。

橫向對比

我把之前用過的圖再改進一下。

這個圖表達意思是，y軸是人的認知可解程度，對應著就是特征工程的難度和可行性。x軸是數據的非線性。

經常調侃的人工智能，就是有多少人工，就有多少智能，就是線性模型因人工特征工程發揮的空間。隨著數據非線性的提高，特征工程難度的增大，LR線性模型的用武之地就越來越小。反而逐漸決策樹，神經網絡等非線性模型開始大展身手。

回到問題，這些模型使用的頻率，大概也和各自的圖中面積差不多一致了。神經網絡在工業界，已經占據了半邊天，決策樹占據了剩下的絕大部分，還有一點點場景，因為特殊性，仍舊用著LR等模型。