機器學習算法的介紹及算法優缺點的分析
大小：0.1 MB 人氣： 2017-09-19 需要積分：0
標簽：機器學習算法(6273)
機器學習算法數不勝數，要想找到一個合適的算法并不是一件簡單的事情。通常在對精度要求較高的情況下，最好的方法便是通過交叉驗證來對各個算法一一嘗試，進行比較后再調整參數以確保每個算法都能達到最優解，并從優中擇優。但是每次都進行這一操作不免過于繁瑣，下面小編來分析下各個算法的優缺點，以助大家有針對性地進行選擇，解決問題。
1.樸素貝葉斯
樸素貝葉斯的思想十分簡單，對于給出的待分類項，求出在此項出現的條件下各個類別出現的概率，以概率大小確定分類項屬于哪個類別。
優點：
1）樸素貝葉斯模型發源于古典數學理論，因此有著堅實的數學基礎，以及穩定的分類效率；
2）算法較簡單，常用于文本分類；
3）對小規模的數據表現很好，能夠處理多分類任務，適合增量式訓練。
缺點：
1）需要計算先驗概率；
2）對輸入數據的表達形式很敏感；
3）分類決策存在錯誤率。
2.邏輯回歸
優點：
1）實現簡單，廣泛地應用于工業問題上；
2）可以結合L2正則化解決多重共線性問題；
3）分類時計算量非常小，速度很快，存儲資源低；
缺點：
1）不能很好地處理大量多類特征或變量；
2）容易欠擬合，一般準確度較低；
3）對于非線性特征，需要進行轉換；
4）當特征空間很大時，邏輯回歸的性能不是很好；
5）只能處理兩分類問題（在該基礎上衍生出來的softmax可以用于多分類），且必須線性可分。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%