050-18424508

常见算法的优缺点比较2020-08-03 23:21

机器学习算法数不胜数,要想要寻找一个适合的算法并不是一件非常简单的事情。一般来说在对精度拒绝较高的情况下,最差的方法乃是通过交叉检验来对各个算法一一尝试,展开较为后再行调整参数以保证每个算法都能超过拟合解法,并从优中筛选。

常见算法的优缺点比较

但是每次都展开这一操作者不免过分繁复,下面小编来分析下各个算法的优缺点,以助大家有针对性地展开自由选择,解决问题。  1.朴素贝叶斯  朴素贝叶斯的思想十分非常简单,对于得出的待分类项,算出在此项经常出现的条件下各个类别经常出现的概率,以概率大小确认分类项归属于哪个类别。  优点:  1)朴素贝叶斯模型发源于古典数学理论,因此具有扎实的数学基础,以及平稳的分类效率;  2)算法较非常简单,常用于文本分类;  3)对小规模的数据展现出很好,需要处置多分类任务,合适增量式训练。  缺点:  1)必须计算出来先验概率;  2)对输出数据的表达形式很脆弱;  3)分类决策不存在错误率。  2.逻辑重返  优点:  1)构建非常简单,普遍地应用于工业问题上;  2)可以融合L2正则化解决问题多重共线性问题;  3)分类时计算出来量十分小,速度迅速,存储资源较低;  缺点:  1)无法很好地处置大量多类特征或变量;  2)更容易不出数值,一般准确度较低;  3)对于非线性特征,必须展开切换;  4)当特征空间相当大时,逻辑重返的性能不是很好;  5)不能处置两分类问题(在该基础上派生出来的softmax可以用作多分类),且必需线性可分。