码迷,mamicode.com
首页 > 编程语言 > 详细

(转)8种常见机器学习算法比较

时间:2017-06-10 10:48:08      阅读:224      评论:0      收藏:0      [点我收藏+]

标签:microsoft   机器学习算法   order   组合   常见   期望   文本分类   影响   森林   

机器学习算法太多了,分类、回归、聚类、推荐、图像识别领域等等,要想找到一个合适算法真的不容易,所以在实际应用中,我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法,诸如SVM,GBDT,Adaboost,现在深度学习很火热,神经网络也是一个不错的选择。假如你在乎精度(accuracy)的话,最好的方法就是通过交叉验证(cross-validation)对各个算法一个个地进行测试,进行比较,然后调整参数确保每个算法达到最优解,最后选择最好的一个。但是如果你只是在寻找一个“足够好”的算法来解决你的问题,或者这里有些技巧可以参考,下面来分析下各个算法的优缺点,基于算法的优缺点,更易于我们去选择它。

偏差&方差

偏差:描述的是预测值(估计值)的期望E’与真实值Y之间的差距。偏差越大,越偏离真实数据。

 

技术分享

                       技术分享

当然,你也可以认为这是生成模型(NB)与判别模型(KNN)的一个区别。

以下内容引自知乎:

由于训练样本很少(至少不足够多),所以通过训练集得到的模型,总不是真正正确的。(就算在训练集上正确率100%,也不能说明它刻画了真实的数据分布, 要知道刻画真实的数据分布才是我们的目的,而不是只刻画训练集的有限的数据点)。而且,实际中,训练样本往往还有一定的噪音误差,所以如果太追求在训练集 上的完美而采用一个很复杂的模型,会使得模型把训练集里面的误差都当成了真实的数据分布特征,从而得到错误的数据分布估计。这样的话,到了真正的测试集上 就错的一塌糊涂了(这种现象叫过拟合)。但是也不能用太简单的模型,否则在数据分布比较复杂的时候,模型就不足以刻画数据分布了(体现为连在训练集上的错 误率都很高,这种现象较欠拟合)。过拟合表明采用的模型比真实的数据分布更复杂,而欠拟合表示采用的模型比真实的数据分布要简单。

所以,这样就容易分析朴素贝叶斯了。它简单的假设了各个数据之间是无关的,是一个被严重简化了的模型。所以,对于这样一个简单模型,大部分场合都会Bias部分大于Variance部分,也就是说高偏差而低方差。

偏差和方差与模型复杂度的关系使用下图更加明了:

 

常见算法优缺点

朴素贝叶斯属于生成式模型(关于生成模型和判别式模型,主要还是在于是否是要求联合分布),非常简单,你只是做了一堆计数。如果注有条件独立性假设(一个 比较严格的条件),朴素贝叶斯分类器的收敛速度将快于判别模型,如逻辑回归,所以你只需要较少的训练数据即可。即使NB条件独立假设不成立,NB分类器在 实践中仍然表现的很出色。它的主要缺点是它不能学习特征间的相互作用,用mRMR中R来讲,就是特征冗余。引用一个比较经典的例子,比如,虽然你喜欢 Brad Pitt和Tom Cruise的电影,但是它不能学习出你不喜欢他们在一起演的电影。

 

  • 朴素贝叶斯模型发源于古典数学理论,有着坚实的数学基础,以及稳定的分类效率。

  • 对小规模的数据表现很好,能个处理多分类任务,适合增量式训练;

  • 对缺失数据不太敏感,算法也比较简单,常用于文本分类。

 

  • 需要计算先验概率;

  • 分类决策存在错误率;

  • 对输入数据的表达形式很敏感。

属于判别式模型,有很多正则化模型的方法(L0, L1,L2,etc),而且你不必像在用朴素贝叶斯那样担心你的特征是否相关。与决策树与SVM机相比,你还会得到一个不错的概率解释,你甚至可以轻松地 利用新数据来更新模型(使用在线梯度下降算法,online gradient descent)。如果你需要一个概率架构(比如,简单地调节分类阈值,指明不确定性,或者是要获得置信区间),或者你希望以后将更多的训练数据快速整合到模型中去,那么使用它吧。

技术分享

 

  • 实现简单,广泛的应用于工业问题上;

  • 分类时计算量非常小,速度很快,存储资源低;

  • 便利的观测样本概率分数;

  • 对逻辑回归而言,多重共线性并不是问题,它可以结合L2正则化来解决该问题;

 

  • 当特征空间很大时,逻辑回归的性能不是很好;

  • 容易欠拟合,一般准确度不太高

  • 不能很好地处理大量多类特征或变量;

对于非线性特征,需要进行转换;

线性回归是用于回归的,而不像Logistic回归是用于分类,其基本思想是用梯度下降法对最小二乘法形式的误差函数进行优化,当然也可以用normal equation直接求得参数的解,结果为:

 

技术分享

优点: 实现简单,计算简单;
缺点: 不能拟合非线性数据.

KNN即最近邻算法,其主要过程为:

如何选择一个最佳的K值,这取决于数据。一般情况下,在分类时较大的K值能够减小噪声的影响。但会使类别之间的界限变得模糊。一个较好的K值可通过各种启发式技术来获取,比如,交叉验证。另外噪声和非相关性特征向量的存在会使K近邻算法的准确性减小。

KNN算法的优点

理论成熟,思想简单,既可以用来做分类也可以用来做回归;

可用于非线性分类;

训练时间复杂度为O(n);

  • 对数据没有假设,准确度高,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;

易于解释。它可以毫无压力地处理特征间的交互关系并且是非参数化的,因此你不必担心异常值或者数据是否线性可分(举个例子,决策树能轻松处理好类别A在某 个特征维度x的末端,类别B在中间,然后类别A又出现在特征维度x前端的情况)。它的缺点之一就是不支持在线学习,于是在新样本到来后,决策树需要全部重 建。另一个缺点就是容易出现过拟合,但这也就是诸如随机森林RF(或提升树boosted tree)之类的集成方法的切入点。另外,随机森林经常是很多分类问题的赢家(通常比支持向量机好上那么一丁点),它训练快速并且可调,同时你无须担心要 像支持向量机那样调一大堆参数,所以在以前都一直很受欢迎。

信息熵的计算公式如下:

 

现在选中一个属性xixi用来进行分枝,此时分枝规则是:如果xi=vxi=v的话,将样本分到树的一个分支;如果不相等则进入另一个分支。很显然,分支 中的样本很有可能包括2个类别,分别计算这2个分支的熵H1和H2,计算出分枝后的总信息熵H’ =p1H1+p2 H2,则此时的信息增益ΔH = H - H’。以信息增益为原则,把所有的属性都测试一边,选择一个使增益最大的属性作为本次分枝属性。

 

  • 计算简单,易于理解,可解释性强;

  • 比较适合处理有缺失属性的样本;

  • 能够处理不相关的特征;

  • 在相对短的时间内能够对大型数据源做出可行且效果良好的结果。

 

  • 容易发生过拟合(随机森林可以很大程度上减少过拟合);

  • 忽略了数据之间的相关性;

  • 对于那些各类别样本数量不一致的数据,在决策树当中,信息增益的结果偏向于那些具有更多数值的特征(只要是使用了信息增益,都有这个缺点,如RF)。

Adaboost是一种加和模型,每个模型都是基于上一次模型的错误率来建立的,过分关注分错的样本,而对正确分类的样本减少关注度,逐次迭代之后,可以得到一个相对较好的模型。是一种典型的boosting算法。下面是总结下它的优缺点。

 

  • adaboost是一种有很高精度的分类器。

  • 可以使用各种方法构建子分类器,Adaboost算法提供的是框架。

  • 当使用简单分类器时,计算出的结果是可以理解的,并且弱分类器的构造极其简单。

  • 简单,不用做特征筛选。

  • 不容易发生overfitting。

  • 关于随机森林和GBDT等组合算法,参考这篇文章:机器学习-组合算法总结

6.SVM支持向量机

优点

可以解决高维问题,即大型特征空间;

  • 能够处理非线性特征的相互作用;

  • 无需依赖整个数据;

  • 可以提高泛化能力;

 

  • 当观测样本很多时,效率并不是很高;

  • 对非线性问题没有通用解决方案,有时候很难找到一个合适的核函数;

  • 对缺失数据敏感;

 

  • 第一,如果样本数量小于特征数,那么就没必要选择非线性核,简单的使用线性核就可以了;

  • 第二,如果样本数量大于特征数目,这时可以使用非线性核,将样本映射到更高维度,一般可以得到更好的结果;

  • 第三,如果样本数目和特征数目相等,该情况可以使用非线性核,原理和第二种一样。

7. 人工神经网络的优缺点

 

  • 分类的准确度高;

  • 并行分布处理能力强,分布存储及学习能力强,

  • 对噪声神经有较强的鲁棒性和容错能力,能充分逼近复杂的非线性关系;

  • 具备联想记忆的功能。

 

  • 神经网络需要大量的参数,如网络拓扑结构、权值和阈值的初始值;

  • 不能观察之间的学习过程,输出结果难以解释,会影响到结果的可信度和可接受程度;

  • 学习时间过长,甚至可能达不到学习的目的。

之前写过一篇关于K-Means聚类的文章,博文链接:机器学习算法-K-means聚类。关于K-Means的推导,里面有着很强大的EM思想。

 

  • 算法简单,容易实现 ;

  • 对处理大数据集,该算法是相对可伸缩的和高效率的,因为它的复杂度大约是O(nkt),其中n是所有对象的数目,k是簇的数目,t是迭代的次数。通常k<<n。这个算法通常局部收敛。

  • 算法尝试找出使平方误差函数值最小的k个划分。当簇是密集的、球状或团状的,且簇与簇之间区别明显时,聚类效果较好。

 

  • 对数据类型要求较高,适合数值型数据;

  • 可能收敛到局部最小值,在大规模数据上收敛较慢

  • K值比较难以选取;

  • 对初值的簇心值敏感,对于不同的初始值,可能会导致不同的聚类结果;

  • 不适合于发现非凸面形状的簇,或者大小差别很大的簇。

  • 对于”噪声”和孤立点数据敏感,少量的该类数据能够对平均值产生极大影响。

之前翻译过一些国外的文章,有一篇文章中给出了一个简单的算法选择技巧:

2. 然后试试决策树(随机森林)看看是否可以大幅度提升你的模型性能。即便最后你并没有把它当做为最终模型,你也可以使用随机森林来移除噪声变量,做特征选择;

通常情况下:【GBDT>=SVM>=RF>=Adaboost>=Other…】,现在深度学习很热门,很多领域都用到,它是以神经网络为基础的,目前我自己也在学习,只是理论知识不是很厚实,理解的不够深,这里就不做介绍了。

算法固然重要,但好的数据却要优于好的算法,设计优良特征是大有裨益的。假如你有一个超大数据集,那么无论你使用哪种算法可能对分类性能都没太大影响(此时就可以根据速度和易用性来进行抉择)。

(转)8种常见机器学习算法比较

标签:microsoft   机器学习算法   order   组合   常见   期望   文本分类   影响   森林   

原文地址:http://www.cnblogs.com/end/p/6977688.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!