1. 统计学习的分类：

【接上一篇文章】

1.2：按模型分类

1.2.1：概率模型与非概率模型（确定性模型）

【关于概率模型与非概率模型，可能目前的问题就是生成与判别的意义辨析；概论里追究细则意义不大，贴一个科普级的解释了解一下，我后面会在学到具体的内容的时候加以感知。】


条件概率分布与函数是可以相互转化的；【分布最大化和归一化】

【不懂的名词越来越多，概率论的复习和预习迫在眉睫了。】

1.2.2：线性模型与非线性模型:

【没什么可说的，继续】

1.2.3：参数化模型与非参数化模型

1.3：按算法分类

1.4：按技巧分类

1.4.1：贝叶斯学习：

1.4.2：核方法：

2. 统计学习方法三要素：

2.1：模型

【这里解决了前面的一个疑问：关于假设空间为什么是全部模型的集合，因为它是一个先于模型的概念，有模型就必定在假设空间之中。】

2.2：策略

1. 损失函数：
   
   
   
   
   
   【由此，监督学习变成了经验风险和结构风险最优化的问题。】

2.3：算法

【end】

标签：1.4,10,1.2,概率模型,模型,学习,统计
来源： https://blog.csdn.net/m0_51746993/article/details/120648840