机器学习中各个算法的优缺点.docx

《机器学习中各个算法的优缺点.docx》由会员分享，可在线阅读，更多相关《机器学习中各个算法的优缺点.docx（2页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、由于人工智能的火热，现在许多人都开头关注人工智能的各个分支的学习。人工智能由许多 学问组成，其中人工智能的核心机器学习是大家特别关注的。所以说，要想学好人工智 能就必需学好机器学习。其中机器学习中涉及到了许多的算法，在这几篇文章中我们就给大 家介绍一下关于机器学习算法的优缺点。首先我们给大家介绍一下正则化算法，这是回归方法的拓展，这种方法会基于模型简单性对 其进行惩处，它喜爱相对简洁能够更好的泛化的模型。其中，正则化算法的例子有许多，比 如说岭回归、最小肯定收缩与选择算子、GLASSO.弹性网络、最小角回归。而正则化算法 的优点有两点，第一就是其惩处会削减过拟合。其次就是总会有解决方法。而正则

2、化算法的 缺点也有两点，第一就是惩处会造成欠拟合。其次就是很难校准。接着我们给大家说一下集成算法，集成方法是由多个较弱的模型集成模型组，其中的模型可 以单独进行训练，并且它们的猜测能以某种方式结合起来去做出一个总体猜测。该算法主要 的问题是要找出哪些较弱的模型可以结合起来，以及结合的方法。这是一个特别强大的技术 集，因此广受欢迎。这种算法的案例有许多，比如说Boosting、Bootstrapped Aggregation(Bagging) AdaBoost层叠泛化、梯度推动机、梯度提升回归树、随机森林。而集成算法 的优点就是当前最先进的猜测几乎都使用了算法集成，它比使用单个模型猜测出来的结果

3、要 精确的多。而缺点就是需要大量的维护工作。然后我们给大家介绍一下决策树算法，决策树学习使用一个决策树作为一个猜测模型，它将 对一个item （表征在分支上）观看所得映射成关于该item的目标值的结论（表征在叶子中）。 而树模型中的目标是可变的，可以采一组有限值，被称为分类树；在这些树结构中，叶子表 示类标签，分支表示表征这些类标签的连接的特征。决策树算法的案例有许多，比如说分类 和回归树、Iterative Dichotomiser 3 （ID3）、C4.5和C5.0。决策树算法的优点有两种,第一 就是简洁解释，其次就是非参数型。缺点就是趋向过拟合，而且可能或陷于局部最小值中， 最终就是没有在线学习。在这篇文章中我们给大家介绍了机器学习中涉及到的正则化算法、集成算法以及决策树算法 的案例、优点以及缺点，这些学问都是能够关心大家理解机器学习的算法，盼望这篇文章能 够关心到大家。