BAT最流行的機器學習模型你真的知道？
在過去幾十年裡，機器學習領域發生了鉅變。誠然，有些方法已經存在很長一段時間，仍然是該領域的重要方法。
由於監督學習有大量可用的方法，所以人們經常提出一個問題：最好的模型是什麼？眾所周知，這個問題很難回答，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處。而判斷模型有用與否則取決於手頭上的資料。因此，這個問題沒有統一答案。相比而言，下面這個問題要容易回答一些：最流行的模型是什麼？這是本文的關注點所在。
從1950年至今的監督模型使用
為了分析縱向資料，我們將機器學習劃分為兩個階段：早期（1950-1980）——只有少量模型可用；形成期（1980至今）——人們對機器學習的興趣激增，開發了很多新模型。注意，以下影象只顯示最相關的方法。
線性迴歸是1950 -1980年間的主要方法。相比之下，其他機器學習模型在科學文獻中極少被提及。然而，從20世紀60年代開始，神經網路和樹形判定分類法開始流行起來。還可以看到，邏輯迴歸尚未得到廣泛的應用，在70年代末被提及的次數也只是略有增加。
監督學習模型在不同領域的流行度
將研究不同的群體是否依賴於不同的機器學習技術。為此，我們參考了三個科學出版物資料庫：用於一般出版物的Google Scholar ，用於電腦科學出版物的 dblp ，用於生物醫學出版物的PubMed。在這個三個資料庫中，我們確定了13個機器學習模型的出現頻率。結果如圖3所示。
監督學習模型的總體使用情況
根據Google Scholar，五種最常用的監督模型是：
-
線性迴歸：3,580,000篇論文，佔34.3%
-
邏輯迴歸：2,330,000篇論文，佔22.3%
-
神經網路：1,750,000篇論文，佔16.8%
-
樹形判定分類法：875,000篇論文，佔8.4%
-
支援向量機：684,000篇論文，佔6.6%
總的來說，線性模型顯然占主導地位，在監督模型的出現率中佔50%以上。非線性方法緊隨其後：神經網路以16.8%的論文提及率排名第三，接著是樹形判定分類法（8.4%）和支援向量機（6.6%）。
文獻中提到的引數模型(包括半引數模型)和非引數模型的所佔比例。條形圖表明，機器學習研究中所研究的模型(如電腦科學出版物所示)與所應用的模型型別(如生物醫學和綜合出版物所示)之間存在很大差異。
結語
針對這些知識內容我專門錄製了倆個小時的視訊，如果有興趣學習人工智慧的可以掃下方二維碼進【公眾號】領取！新年期間我們也會在公眾號內資料大放送，另外回覆【五福臨門】可以領取新年大禮包！！
