Py学习  »  机器学习算法

深度学习知识点汇总-机器学习基础(4)

深度学习模型优化 • 4 年前 • 183 次点击  

2.4 常用分类算法的优缺点

  • 朴素贝叶斯分类法
    优点:1)所需估计的参数少,对于缺失数据不敏感。 2)有着坚实的数学基础,以及稳定的分类效率。
    缺点:1)需要假设属性之间相互独立,这往往并不成立。 2)需要知道先验概率。
  • Decision Tree决策树
    优点:1)不需要任何领域知识或参数假设。 2)适合高维数据。 3)简单易于理解。 4)短时间内处理大量数据,得到可行且效果较好的结果。 5)能够同时处理数值数据和常规性属性。
    缺点:1)对于各类别样本数量不一致数据,信息增益偏向于那些具有更多数值的特征。 2)易于过拟合。 3)忽略属性之间的相关性。 4)不支持在线学习。
  • SVM支持向量机
    优点:1)可以解决小样本下机器学习的问题。 2)提高泛化性能。 3)可以解决高维、非线性问题。超高维文本分类仍受欢迎。
    缺点:1)对缺失数据敏感。 3)运行和调参复杂。
  • K近邻算法
    优点:1)思想直接,理论成熟,既可以用来做分类也可以用来做回归; 2)可用于非线性分类; 3)训练时间复杂度为O(n); 4)准确度高,对数据没有假设,对外点不敏感;
    缺点:1)计算量太大。 2)对于样本分类不均衡的问题,会产生误判。 3)需要大量的内存。 4)输出的可解释性不强。
  • 逻辑回归
    优点:1)速度快。 2)简单易于理解,直接看到各个特征的权重。 3)能容易地更新模型吸收新的数据。 4)如果想要一个概率框架,动态调整分类阀值。
    缺点:对特征工程要求高。特征处理复杂。需要归一化和较多的特征工程。
  • Adaboosting
    优点:1)adaboost是一种有很高精度的分类器。 2)可以使用各种方法构建子分类器,Adaboost算法提供的是框架。 3)当使用简单分类器时,计算出的结果是可以理解的。而且弱分类器构造极其简单。 4)简单,不用做特征筛选。 5)不用担心overfitting。
    缺点:对外点比较敏感
  • 神经网络
    优点:1)分类准确率高。 2)并行处理能力强。 3)分布式存储和学习能力强。 4)鲁棒性较强,不易受噪声影响。
    缺点:1)需要大量参数(网络拓扑、阀值、阈值)。 2)结果难以解释。 3)训练时间过长。
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/33102
 
183 次点击