经典机器学习算法优缺点比较23709
上传人:痛***
文档编号:196349410
上传时间:2023-03-29
格式:PDF
页数:2
大小:101.30KB
收藏
版权申诉
举报
下载
第1页 / 共2页
第2页 / 共2页
资源描述:
《经典机器学习算法优缺点比较23709》由会员分享,可在线阅读,更多相关《经典机器学习算法优缺点比较23709(2页珍藏版)》请在装配图网上搜索。
经典机器学习算法优缺点比较 算法 优点 缺点 决策树 计算量简单,可解释性强,比较适合处理有缺失属性值的样本,能够处理不相关的特征;容易过拟合(后续出现了随机森林,减小了过拟合现象);朴素贝叶斯 对小规模的数据表现很好,适合多分类任务,适合增量式训练。对输入数据的表达形式很敏感。对关联性强的特征表现不好 Logistic 回归:实现简单;分类时计算量非常小,速度很快,存储资源低;容易欠拟合,一般准确度不太高;只能处理两分类问题,且必须线性可分;KNN 可用于非线性分类;训练时间小;准确度高,对数据没有假设,对 outlier 不敏感;计算量大;样本不平衡问题(即有些类别的样本数量很多,而其它样本的数量很少);需要大量的内存;Svm Libsvm/liblinear 低泛化误差;容易解释;计算复杂度较低;对参数和核函数的选择比较敏感;原始的 SVM 只比较擅长处理二分类 boosting 低泛化误差;容易实现,分类准确率较高,没有太多参数可以调;对 outlier 比较敏感;GDBT(MART)迭代决策树 GBDT 几乎可用于所有回归问题(线性/非线性);亦可用于二分类问题(设定阈值,大于阈值为正例,反之为负例);可以解决过拟合问题;
展开阅读全文
- 温馨提示:
1: 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 装配图网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。