BAT最流行的机器学习模型你真的知道？

在过去几十年里，机器学习领域发生了巨变。诚然，有些方法已经存在很长一段时间，仍然是该领域的重要方法。

由于监督学习有大量可用的方法，所以人们经常提出一个问题：最好的模型是什么？众所周知，这个问题很难回答，正如George Box所言，所有的模型都是不好的，但也都有一些可取之处。而判断模型有用与否则取决于手头上的数据。因此，这个问题没有统一答案。相比而言，下面这个问题要容易回答一些：最流行的模型是什么？这是本文的关注点所在。

从1950年至今的监督模型使用

为了分析纵向数据，我们将机器学习划分为两个阶段：早期（1950-1980）——只有少量模型可用；形成期（1980至今）——人们对机器学习的兴趣激增，开发了很多新模型。注意，以下图像只显示最相关的方法。

线性回归是1950 -1980年间的主要方法。相比之下，其他机器学习模型在科学文献中极少被提及。然而，从20世纪60年代开始，神经网络和树形判定分类法开始流行起来。还可以看到，逻辑回归尚未得到广泛的应用，在70年代末被提及的次数也只是略有增加。

监督学习模型在不同领域的流行度

将研究不同的群体是否依赖于不同的机器学习技术。为此，我们参考了三个科学出版物资料库：用于一般出版物的Google Scholar ，用于计算机科学出版物的 dblp ，用于生物医学出版物的PubMed。在这个三个资料库中，我们确定了13个机器学习模型的出现频率。结果如图3所示。

监督学习模型的总体使用情况

根据Google Scholar，五种最常用的监督模型是：

1. 线性回归：3,580,000篇论文，占34.3%

2. 逻辑回归：2,330,000篇论文，占22.3%

3. 神经网络：1,750,000篇论文，占16.8%

4. 树形判定分类法：875,000篇论文，占8.4%

5. 支持向量机：684,000篇论文，占6.6%

总的来说，线性模型显然占主导地位，在监督模型的出现率中占50%以上。非线性方法紧随其后：神经网络以16.8%的论文提及率排名第三，接着是树形判定分类法（8.4%）和支持向量机（6.6%）。

文献中提到的参数模型(包括半参数模型)和非参数模型的所占比例。条形图表明，机器学习研究中所研究的模型(如计算机科学出版物所示)与所应用的模型类型(如生物医学和综合出版物所示)之间存在很大差异。

结语

针对这些知识内容我专门录制了俩个小时的视频，如果有兴趣学习人工智能的可以扫下方二维码进【公众号】领取！新年期间我们也会在公众号内资料大放送，另外回复【五福临门】可以领取新年大礼包！！