机器学习模型的分类、模型输出结果、模型的保存、模型加载

机器学习模型的分类

机器学习模型有两种形式：参数模型和无参数模型。它们的本质区 别是：参数模型假设函数f(x)有特定的形式，例如线性表达式，而无参 数模型则没有这个要求。

两者各有利弊：

• 参数模型的精度略差但可解释性强。很多情况下，由于限制了f(x)的 表达形式，所以参数模型的精确性可能会略差一些，但是好处是简单，可解释性强，例如逻辑回归模型。
• 无参数模型可解释性差但更精确。相反，无参数模型可解释性差一 些，但是大多数情况下可能模型会更精确。

参数模型：
最简单的参数模型就是线性回归，在回归模型中，假定了f(x) 的形式如下： y=f(X)=w1x1+w2x2+w3x3+…+b 在这个模型中，w1,w2,w3…b 这些参数的值是需要利用算法估计出来的， 例如使用梯度下降法，寻找到让损失函数取得最小值的参数。逻辑回归 模型 也是属于参数模型。

无参数模型：
无参数模型中，f(x) 的形式 不是一个简单固定的函数，它的形式和 复杂 度 与 算法 和 数据 都有很大关系。无参数模型的一个典型例子就是 决策树。它的f(x) 的表现形式是一个树形结构的决策规则，可以翻译为 if…then… .这样的规则，下图是一个“ 是否要接一个offer ”的决策树 模型示意，其他的非参数模型还包含：K近邻，神经网络，支持向量机， 随机森林等算法。

模型输出结果

以逻辑回归模型为例，它的模型输出结果就是一些参数值：特征变量 的回归系数和截距，就是前面提到的参数模型的w1,w2,w3…b 的值

• coef_ : 特征变量的回归系数，如果是二分类模型，shape是(1, n_features)，如果是多分类模型，shape是(n_classes, n_features)
• intercept_ : 截距，二分类模型shape是(1,)，多分类模型shape是 (n_classes,)

lr