经典机器学习算法优缺点比较(共2页).docx

精选优质文档-倾情为你奉上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；SvmLibsvm/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；专心-专注-专业