各类机器学习分类算法的优点与弊端分析
发布时间：2022-07-19 13:10:37 所属栏目：大数据 来源：互联网
导读：机器学习中有许多分类算法。本文将介绍分类中使用的各种机器学习算法的优缺点，还将列出他们的应用范围。 SVM（支持向量机），SVM的优点：1.在高维中表现良好。在现实世界中有无限维度(不仅仅是2D和3D)。例如，图像数据、基因数据、医学数据等具有更高的维数
|
机器学习中有许多分类算法。本文将介绍分类中使用的各种机器学习算法的优缺点，还将列出他们的应用范围。 SVM（支持向量机），SVM的优点：1.在高维中表现良好。在现实世界中有无限维度(不仅仅是2D和3D)。例如，图像数据、基因数据、医学数据等具有更高的维数，支持向量机在这方面是有用的。基本上，当特征/列的数量较多时，SVM表现良好。 SVM的缺点：1. 慢：对于较大的机器学习数据集，需要大量时间来处理。2. 重叠类的性能不佳：重叠类的情况下效果不佳。3. 选择适当的超参数很重要：这将允许足够的泛化性能。4. 选择适当的核函数可能比较麻烦。SVM的应用范围：Bag of words应用程序（许多特征和列），语音识别数据，图像分类（非线性数据），医学分析（非线性数据），文本分类（许多特征）。 朴素贝叶斯，朴素贝叶斯的优点：1.实时预测：速度非常快，可以实时使用。2. 可通过大型数据集进行扩展。3. 对无关特征不敏感。4. 在朴素贝叶斯中可以有效地进行多类预测。5. 具有高维数据的良好性能（特征数量很大）。 逻辑回归的缺点：1.非线性数据（例如图像数据）性能不佳。2. 具有不相关和高度相关的特征的性能较差（删除相似或相关的特征和不相关的特征）。3. 不是很强大的算法，很容易被其他算法超越。4. 高度依赖正确的数据表示。所有重要的变量/特性都应该被识别，这样才能很好地工作。 逻辑回归的应用范围：最好是任何二元分类问题（它也可以执行多类分类，但最好是二元的）。如果您的输出类有两个结果，则可以使用它，例如癌症检测问题，客户借贷时是否违约，客户是否流失，电子邮件是否为垃圾邮件等。  （编辑：开发网_开封站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
浙公网安备 33038102330459号