常见机器学习算法优缺点

标签：算法   逻辑回归   机器学习   预测   数值   回归   高斯   数据   形式   

1、线性模型

形式简单、易于建模、很好的可解释性

2、逻辑回归

无需事先假设数据分布；

可得到近似概率预测；

对率函数任意阶可导的凸函数，许多数值优化算法都可直接用于求取最优解

3、线性判别分析（LDA）

当两类数据同先验、满足高斯分布且协方差相等时，LDA可达到最优分类

4、boosting

代表adaboost：只适用于二分类

5、bagging

在易受样本扰动的学习器上效用更明显（如不剪枝决策树、神经网络）

6、随机森林

简单、容易实现、计算开销小、泛化性能较bagging进一步提升（基学习器多样性不仅来自样本扰动，还来自属性扰动）

起始性能相对较差，但随着个体学习器数目的增加，通常会收敛到更低的泛化误差

常见机器学习算法优缺点

标签：算法   逻辑回归   机器学习   预测   数值   回归   高斯   数据   形式   

原文地址：https://www.cnblogs.com/xiyouzhi/p/9601022.html