online gambling singapore online gambling singapore online slot malaysia online slot malaysia mega888 malaysia slot gacor live casino malaysia online betting malaysia mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 機器學習經典算法優缺點總結

摘要: 內文收錄了各種機器學習算法與優缺點總結


作者:姚凱飛

1.決策樹:判別模型,多分類與回歸,正則化的極大似然估計

特點:

適用於小數據集

優點:

計算量簡單,可解釋性強,比較適合處理有缺失屬性值的樣本,能夠處理不相關的特徵;

缺點:

容易過擬合(後續出現了隨機森林,減小了過擬合現象),使用剪枝來避免過擬合;

適用數據范圍:

數值型和標稱型

CART分類與回歸樹:

決策樹分類方法,採用基於最小距離的基尼指數估計函數,用來決定由該子數據集生成的決策樹的拓展形。決策樹回歸方法,採用切分點與切分變量來計算的損失來估計函數。如果目標變量是標稱的,稱為分類樹;如果目標變量是連續的,稱為回歸樹。分類樹是使用樹結構算法將數據分成離散類的方法。

優點:

非常靈活,可以允許有部分錯分成本,還可指定先驗概率分佈,可使用自動的成本複雜性剪枝來得到歸納性更強的樹,產生的分類規則易於理解,準確率較高。

缺點:

在構造樹的過程中,需要對數據集進行多次的順序掃描和排序,因而導致算法的低效。此外,C4.5只適合於能夠駐留於內存的數據集,當訓練集大得無法在內存容納時程序無法運行。

2.隨機森林:判別模型,多分類與回歸,正則化的極大似然估計,Bagging,Random Future

特點:

準確率可以和Adaboost相媲美,對錯誤和離群點更魯棒。準確率依賴於個體分類器的實力和它們之間的依賴性。理想情況是保持個體分類器的能力而不提高它們的相關性。對每次劃分所考慮的屬性數很敏感。通常選取logn2+1個屬性,其中n是數據集的實例數。(一個有趣的觀察是,使用單個隨機選擇的屬性可能導致很好的準確率,常常比使用多個屬性更高。)

優點:

不易過擬合,可能比Bagging和Boosting更快。由於在每次劃分時只考慮很少的屬性,因此它們在大型數據庫上非常有效。有很好的方法來填充缺失值,即便有很大一部分數據缺失,仍能維持很高準確度。給出了變量重要性的內在估計,對於不平衡樣本分類,它可以平衡誤差。可以計算各實例的親近度,對於數據挖掘、檢測離群點和數據可視化非常有用。

缺點:

在某些噪聲較大的分類和回歸問題上會過擬合。對於有不同級別的屬性的數據,級別劃分較多的屬性會對隨機森林產生更大的影響,所以隨機森林在這種數據上產生的屬性權值是不可信的。

3.k-means:聚類

特點:

並一定能得到全局最優解(依賴於初始點選取),所以常用多次運行,取最優,假設了均方誤差為計算群組分散度的最佳參數

優點:

簡單快速,複雜度為O(nkt),n為樣本數,k為類別數,t為迭代數

缺點:

只對簇的平均值被定義下才能被使用,不適合某些分類屬性,虛實線給定簇數K,對初值敏感,不適合發現大小差別很大的簇,對噪聲、孤立點敏感(對平均值產生極大影響)

4.KNN:判別模型,多分類與回歸

特點:

不具有顯示的學習過程,通過多數表決方式進行預測,k值選擇、距離度量、分類決策規則是K近鄰法的三要素

優點:

簡單,分類與回歸均可操作,可用於非線性分類,複雜度為O(n),對outlier不敏感

缺點:

K需預先設定,對大小不平衡的數據易偏向大容量數據

常用算法:

kd樹:對x的K個特徵,一個一個做切分,使得每個數據最終都在切分點上(中位數),對輸入的數據搜索kd樹,找到K近鄰

5.EM:含隱藏變量的概率模型,使用概率模型參數估計

特點:

E:給定參數與觀測數據下對未觀測數據的條件概率分佈的期望

M:求使條件概率分佈期望最大下的參數值

優點:

比K-means穩定、準確

缺點:

計算複雜且收斂慢,依賴於初始參數假設

6.線性回歸

特點:

解析解

優點:

簡單,存在解析解

缺點:

對複雜數據擬合不好,欠擬合

7.LogReg:對數線性模型

特點:

模型源自於邏輯斯蒂分佈優化算法有改進的迭代尺度法、梯度下降法、擬牛頓法

優點:

簡單,計算量小,存儲資源低

缺點:

欠擬合,精度不高

8.樸素貝葉斯:生成模型,

特點:

使用先驗知識得到後驗概率,由期望風險最小化得到後驗概率最大化。假設條件獨立,條件不獨立就變成貝葉斯網絡了

優點:

小規模數據集表現好,適合多分類

缺點:

需要條件獨立假設,會犧牲一定準確率,分類性能不一定高

9.Apriori:兩階段頻集思想,遞推(關聯規則)

特點:

1頻度→支持度→2頻度→支持度→…,每次刪除支持度小於摸個閥值的點,最終返回各個頻集

優點:

易編碼實現

缺點:

大數據上速度較慢,候選集每次產生過多,未排除不應該參與計算支持度的點.

每次都需要計算支持度,需對全部記錄掃描,需要很大I/O負載

10.Boosting

特點:

通過改變樣本權值進行學習,將最終的多個分類器根據性能進行組合

優點:

低泛化誤差,以實現,分類準確率高,無太多參數需要調節

缺點:

對outlier敏感

11.GBDT(MART):回歸樹

特點:

有兩個版本:一個是殘差版本,另一個是Gradient版本(這個版本更廣泛)

優點:

非線性與線性均可,不易過擬合

缺點:

12.SVM:

特點:

將低維空間映射到高維空間,實現線性可分

優點:

可實現非線性分類,可用於分類與回歸,低泛化誤差,易解釋

缺點:

對核函數以及參數敏感

13.神經網絡

特點:

模擬人腦構造,構造神經元

優點:

(BP)很強的分線性擬合能力,學習規則簡單,很強的魯棒性,具有記憶能力、自學能力,誤差反向傳播,並行性好

(RBF)唯一最佳逼近特性,無局部最小問題,前反饋網絡中RBF網絡完成映射功能最優,分類能力好,收斂性比BP快非常多

缺點:

沒能力解釋自己的推理過程及依據,數據不充分時,將無法工作,初值較敏感(使用AUTO-Encoder)

14.隱式馬爾科夫(HMM)

特點:

隱馬爾可夫模型是一個雙重隨機過程—-具有一定狀態數的隱馬爾可夫鍊和顯示隨機函數集。

HMM是一種有向圖

HMM對轉移概率和表現概率直接建模,統計共現概率。

針對以下三個問題,人們提出了相應的算法

*1 評估問題: 前向算法

*2 解碼問題: Viterbi算法

*3 學習問題: Baum-Welch算法(向前向後算法)

優點:

解決了標註問題

缺點:

做了齊次馬爾科夫假設及觀測股利性假設,可能出現標記偏置

15.條件隨機場(CRF)

特點:

CRF是一種判別式模型,CRF是一種無向圖

優點:

CRF是在全局範圍內統計歸一化的概率,是全局最優的解。解決了MEMM中標註偏置的問題。

CRF沒有HMM那樣嚴格的獨立性假設條件,因而可以容納任意的上下文信息。特徵設計靈活(與ME一樣)

與MEMM比較:由於CRF計算全局最優輸出節點的條件概率,它還克服了最大熵馬爾可夫模型標記偏置(Label-bias)的缺點。

與ME比:CRF是在給定需要標記的觀察序列的條件下,計算整個標記序列的聯合概率分佈,而不是在給定當前狀態條件下,定義下一個狀態的狀態分佈。

缺點:

訓練代價大、複雜度高

End.

 

轉貼自: 36大數據


留下你的回應

以訪客張貼回應

0

在此對話中的人們

YOU MAY BE INTERESTED