GLM 绝对是一种统计模型，但统计模型和机器学习技术并不相互排斥。一般来说，统计学更关心推断参数，而在机器学习中，预测是最终目标。

关于预测，统计学和机器学习科学开始从不同的角度解决几乎相同的问题。

基本上统计假设数据是由给定的随机模型产生的。因此，从统计的角度来看，假设一个模型并给出各种假设，处理错误并推断模型参数和其他问题。

机器学习来自计算机科学的角度。这些模型是算法的，通常很少需要关于数据的假设。我们处理假设空间和学习偏差。我找到的关于机器学习的最佳阐述包含在 Tom Mitchell 的名为Machine Learning的书中。

有关这两种文化的更详尽和完整的想法，您可以阅读 Leo Breiman 名为Statistical Modeling: The Two Cultures 的论文

然而必须补充的是，即使这两种科学从不同的角度开始，它们现在都共享相当多的共同知识和技术。为什么，因为问题相同，但工具不同。所以现在机器学习主要是从统计的角度来处理（查看 Hastie、Tibshirani、Friedman 的书The Elements of Statistical Learning from a machine learning point of a statistical treatment，也许还有 Kevin P. Murphy 的书Machine Learning: A概率观点，仅举几本当今最好的书籍）。

甚至该领域的发展历史也显示了这种观点融合的好处。我将描述两个事件。

首先是 CART 树的创建，它是由 Breiman 创建的，具有扎实的统计背景。大约在同一时间，Quinlan 开发了 ID3、C45、See5 等具有更多计算机科学背景的决策树套件。现在，这两个树家族和像 bagging 和 Forests 这样的集成方法变得非常相似。

第二个故事是关于提升的。最初，它们是由 Freund 和 Shapire 在发现 AdaBoost 时开发的。设计 AdaBoost 的选择主要是从计算角度完成的。甚至作者也没有很好地理解它为什么起作用。仅仅 5 年后，Breiman（再次！）从统计的角度描述了 adaboost 模型，并解释了它为什么有效。从那时起，具有这两种背景的各种杰出的科学家进一步发展了这些想法，从而产生了大量的提升算法，如逻辑提升、梯度提升、温和提升等。现在很难在没有坚实的统计背景的情况下考虑提升。

广义线性模型是一种统计发展。然而，新的贝叶斯处理方法也将该算法置于机器学习领域。所以我相信这两种说法都是正确的，因为对其工作方式的解释和处理可能会有所不同。

除了 Ben 的回答之外，统计模型和机器学习模型之间的细微区别在于，在统计模型中，您在构建模型之前明确决定了输出方程结构。该模型用于计算参数/系数。

以线性模型或 GLM 为例，

y = a1x1 + a2x2 + a3x3

您的自变量是 x1、x2、x3，要确定的系数是 a1、a2、a3。在构建模型并计算 a1、a2、a3 之前，您可以通过这种方式定义方程结构。如果您认为 y 以某种非线性方式与 x2 相关，您可以尝试这样的事情。

y = a1x1 + a2(x2)^2 + a3x3.

因此，您对输出结构进行了限制。统计模型本质上是线性模型，除非您明确应用 sigmoid 或内核之类的变换来使它们成为非线性模型（GLM 和 SVM）。

在机器学习模型的情况下，您很少指定输出结构，并且决策树等算法本质上是非线性的并且可以有效地工作。

与 Ben 指出的相反，机器学习模型不仅仅是关于预测，它们还可以进行分类、回归等，这些模型可以用来进行预测，这些预测也可以通过各种统计模型完成。

GLM 绝对是一种统计模型，而越来越多的统计方法作为机器学习技巧被应用到工业生产中。这些天我读得最多的元分析是统计领域的一个很好的例子。

一个完美的 GLM 工业应用可以解释为什么你的朋友告诉你 GLM 被认为是一种机器学习技术。你可以参考源文件http://www.kdd.org/kdd2016/papers/files/adf0562-zhangA.pdf关于那个。

几周前，我实现了一个简化的框架，它被视为我的推荐系统在生产场景中的主要框架。非常感谢您给我一些提示，您可以查看源代码：https ://github.com/PayneJoe/algo-sensetime/blob/master/src/main/scala/GLMM.scala

希望这对你有帮助，美好的一天！