背景：一直想要梳理一下自己对广义线性模型的认识及思考，所有就有了这篇随笔。
前提：
1、首先明确，介绍模型会按照模型的三要素来展开，即模型（模型的参数空间），策略（如何选择最优模型，一般指代价函数/损失函数），算法（模型学习参数的方法，包括最优化方法等）
2、因为介绍的模型都是线性模型及其演化，有个概念必须要介绍
超平面：N维空间的N-1维子空间，比如当N=2时，超平面就是二维空间中的一条线
一、线性回归
该算法主要拟合一个线性超平面，用于回归任务（预测值为连续值）。举个例子，房价预测任务，如果只考虑房屋面积，则训练出的超平面及为二维空间关于面积和房价的直线。
模型：
若样本用d维特征来表示，则有
使用向量的形式表示为
则模型的参数空间为w及b
策略：
最小化均方误差
算法：
这里有两种方法，
一种方法是算出参数的表达式，直接求解（该方法一般不使用，原因随着特征或者样本数量增长，计算的时间复杂度指数级增加），如下
另一种方法是最优化理论中的迭代方法，最常用的是梯度下降法，参数通过加上负梯度进行更新，
求梯度
使用梯度对参数进行更新（这里使用的是批梯度下降算法）
问题：当目标变量与特征之间为非线性关系，我们又该怎样去拟合呢
二、多项式回归
思路如下图所示
模型整体和线性回归相似，所以这里不展开讨论
问题：线性回归可以解决回归问题，那针对分类问题，我们应该怎样用线性模型去解决呢？
三、感知机
线性回归在N维空间中找到了线性超平面去拟合数据，同时，该线性超平面也把特征空间划分成了两份，据此，我们可以思考，这个超平面可以拿来进行分类吗？当然可以，感知机就是这样做的。
模型：
我们可以看到，感知机就是使用sign函数对线性回归结果映射到了{-1,1}
策略：
算法：
问题：感知机可以用于分类，且能够输出预测样本对应的类别，但清楚感知机原理的我们知道，虽然有可能N个样本都被预测为A类，但实际他们属于A类的可能性是不同的，具体表现在有的样本点在特征空间中距离分类超平面比较近，有的则比较远；鉴于此，我们能不能输出某样本属于A类别的概率呢？
四、逻辑回归（logistics regression）
模型：
感知机使用线性回归模型作为分类超平面，将线性回归结果映射到{-1,1}的离散集合上
其中红框的值域为负无穷到正无穷，那我们能不能使用一个函数将其映射到[0,1]呢。逻辑回归便是选择了sigmoid函数进行映射，
该函数既可以实现区间映射，又具有单调可微的特性（方便使用迭代的最优化方法计算模型参数）
另外，对于“逻辑回归”的名字，很多人觉得这是个“假名”，“误导人”，认为它明明是分类算法却叫做“回归”
其实，他还真的和名字所述，是对“对数”进行了“回归”
上一个公式可以变化为
定义y/1-y为事件发生的“几率”，则逻辑回归的是指是对几率的对数进行回归拟合。
策略：
采用极大似然估计
算法：
由于目标函数连续可导，根据凸优化理论，可以通过一阶法（梯度下降等）或二阶法（牛顿法）等进行参数迭代计算
问题：对于分类任务，感知机和逻辑回归都只能处理线性可分的任务，那如何才能处理线性不可分的任务呢？而且按照之前感知机迭代求解分类超平面的方式，我们只是在众多的符合条件的分类超平面中选择了一个，那能否选择一个相对更好一些的分类超平面呢？
五、支持向量机（SVM）
支持向量机通过以下思路解决了上述问题：
（1）针对分类超平面的选择问题，SVM采用最大间隔的方法，使超平面距离两侧不同类别的点尽可能地远
（2）针对在当前维度的特征空间下线性不可分的问题，我们对其进行维度扩张，在更高的维度对其进行线性划分。在当前维度线性不可分不代表在更高维度线性不可分。举个例子，演员拍摄吻戏经常采用错位的方式，在镜头所能看到的二维平面中，找不到一条直线将他们的嘴分割开来，但考虑三维空间，在一个现场工作人员看来，有大量的可选平面将他们两人的嘴分开。再比如下图中的异或问题
接下来又有另一个问题，我们已经用高维向量计算表示出了最大分类间隔，那怎样去表示具体的高维向量呢，考虑到维度可能会很高，计算复杂度可能会很大，我们可以采用核函数来进行等价计算
支持向量机的核心就是以上两点，更多细节可以看一下其他的博客或书籍，篇幅原因不再展开
问题：除了SVM之外，还有其他方法可以解决线性不可分问题吗？
六、神经网络
神经网络通过特征之间的组合（多层），不仅能够解决线性不可分问题，还能够保留数据的时空结构（有位置关系的图像数据和有时间先后关系的自然语言），再该类数据集上表现出强大的应用能力。
总之，当前kaggle上表现最好的两类算法，梯度提升算法更加适合于表格类型结构的数据，需要进行特征工程，对少量样本也能学习到较好的模型；神经网络更加适合有时空结构的数据，不需要复杂的特征工程，是端对端的学习，但需要大量的训练数据作为支撑。
个人认为神经网络的强悍之处在于对时空数据的保留与学习能力+无处不在的特征组合。
神经网络具体内容略多，不展开啦，本文重点梳理思路。
