機(jī)器學(xué)習(xí)常用算法對(duì)比總結(jié)
機(jī)器算法領(lǐng)域有不少常用的算法,之前我們的文章都有進(jìn)行分享。這篇文章,我們來(lái)匯總整理下,方便大家更好理解。
前陣子對(duì)機(jī)器學(xué)習(xí)的各算法進(jìn)行了逐一講解,為了讓大家有更好地理解,現(xiàn)把算法進(jìn)行匯總?cè)缦拢?/p>
1、整體上這些算法都比較簡(jiǎn)單,可解釋性都比較強(qiáng),其異常值都比較敏感。其中支持向量機(jī)算法復(fù)雜度相較其它算法更高,決策樹(shù)算法的可解釋性會(huì)更強(qiáng),樸素貝葉斯算法對(duì)異常值不會(huì)特別敏感。
2、從算法的分類上來(lái)說(shuō),k-means算法屬于聚類算法,線性回歸屬于回歸算法,其它都屬于分類算法。
3、關(guān)于分類算法
- 既可處理分類問(wèn)題又可處理回歸問(wèn)題的算法有K近鄰算法、決策樹(shù)算法。(其實(shí)支持向量機(jī)算法也可以,只是圖中支持向量機(jī)算法其實(shí)只是分類類型,未涵蓋回歸類型。)
- 可解決多分類的算法有K近鄰算法、決策樹(shù)算法、樸素貝葉斯算法。邏輯回歸算法、支持向量機(jī)算法只能支持二分類算法。
- 適合處理高維數(shù)據(jù)的分類算法有樸素貝葉斯算法、支持向量機(jī)算法。(線性回歸算法也可以處理高維數(shù)據(jù)。)而邏輯回歸算法(高維數(shù)據(jù)容易過(guò)擬合)、K近鄰算法(高維數(shù)據(jù)帶來(lái)維度災(zāi)難)、決策樹(shù)算法(高維數(shù)據(jù)計(jì)算會(huì)比較復(fù)雜)都不太適合處理高維數(shù)據(jù)。
- 適合處理大樣本數(shù)據(jù)的分類算法有邏輯回歸算法、決策樹(shù)算法。而K近鄰算法(大樣本數(shù)據(jù)計(jì)算復(fù)雜)、樸素貝葉斯算法不合適處理大樣本數(shù)據(jù)。(非分類算法中的,線性回歸算法、K-means算法都適合處理大樣本數(shù)據(jù))。
- 適用場(chǎng)景來(lái)說(shuō),基本都適用在推薦系統(tǒng)、圖片識(shí)別、文本分類、情感分析、疾病或設(shè)備儀器診斷等。
對(duì)于算法的優(yōu)缺點(diǎn)及適用場(chǎng)景,建議在理解算法的原理上去理解記憶。對(duì)于算法的熟練掌握更多是對(duì)算法工程師的要求,AI產(chǎn)品經(jīng)理懂得基本原理及適用場(chǎng)景就好。
作者:厚謙,公眾號(hào):小王子與月季
本文由@厚謙 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理,未經(jīng)作者許可,禁止轉(zhuǎn)載。
題圖來(lái)自Unsplash,基于CC0協(xié)議。
該文觀點(diǎn)僅代表作者本人,人人都是產(chǎn)品經(jīng)理平臺(tái)僅提供信息存儲(chǔ)空間服務(wù)。
評(píng)論
- 目前還沒(méi)評(píng)論,等你發(fā)揮!