常見算法的優(yōu)缺點比較_第1頁
常見算法的優(yōu)缺點比較_第2頁
常見算法的優(yōu)缺點比較_第3頁
常見算法的優(yōu)缺點比較_第4頁
常見算法的優(yōu)缺點比較_第5頁
已閱讀5頁，還剩2頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

常見算法的優(yōu)缺點比較機器學習算法數(shù)不勝數(shù)，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(shù)以確保每個算法都能達到最優(yōu)解，并從優(yōu)中擇優(yōu)。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(yōu)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(xiàn)的條件下各個類別出現(xiàn)的概率，以概率大小確定分類項屬于哪個類別。優(yōu)點：1）樸素貝葉斯模型發(fā)源于古典數(shù)學理論，因此有著堅實的數(shù)學基礎，以及穩(wěn)定的分類效率；2）算法較簡單，常用于文本分類；3）對小規(guī)模的數(shù)據表現(xiàn)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(shù)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(yōu)點：1）實現(xiàn)簡單，廣泛地應用于工業(yè)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。3.線性回歸線性回歸與邏輯回歸不同，它是用于回歸的，而不是用于分類。其基本思想是用梯度下降法對最小二乘法形式的誤差函數(shù)進行優(yōu)化。優(yōu)點：實現(xiàn)簡單，計算簡單；缺點：不能擬合非線性數(shù)據。4.最近鄰算法優(yōu)點：1）對數(shù)據沒有假設，準確度高；2）可用于非線性分類；3）訓練時間復雜度為O(n)；4）理論成熟，思想簡單，既可以用來做分類也可以用來做回歸。缺點：1）計算量大；2）需要大量的內存；3）樣本不平衡問題（即有些類別的樣本數(shù)量很多，而其它樣本的數(shù)量很少）。5.決策樹優(yōu)點：1）能夠處理不相關的特征；2）在相對短的時間內能夠對大型數(shù)據源做出可行且效果良好的分析；3）計算簡單，易于理解，可解釋性強；4）比較適合處理有缺失屬性的樣本。缺點：1）忽略了數(shù)據之間的相關性；2）容易發(fā)生過擬合（隨機森林可以很大程度上減少過

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論