浅谈对机器学习算法的一些认识(决策树,SVM,knn最近邻,随机森林,朴素贝叶斯逻辑回归)
Posted Flippedkiki
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了浅谈对机器学习算法的一些认识(决策树,SVM,knn最近邻,随机森林,朴素贝叶斯逻辑回归)相关的知识,希望对你有一定的参考价值。
一、决策树
定下一个最初的质点,从该点出发、分叉。(由于最初质点有可能落在边界值上,此时有可能会出现过拟合的问题。
二、SVM
svm是除深度学习在深度学习出现之前最好的分类算法了。它的特征如下:
(1)它既可应用于线性(回归问题)分类,也可应用于非线性分类;
(2)通过调节核函数参数的设置,可将数据集映射到多维平面上,对其细粒度化,从而使它的特征从二维变成多维,将在二维上线性不可分的问题转化为在多维上线性可 分的问题,最后再寻找一个最优切割平面(相当于在决策数基础上再寻找一个最优解),因此svm的分类效果是优于大多数的机器学习分类方法的。
(3)通过其它参数的设置,svm还可以防止过拟合的问题。
三、随机森林
为了防止过拟合的问题,随机森林相当于多颗决策树。
四、knn最近邻
由于knn在每次寻找下一个离它最近的点时,都要将余下所有的点遍历一遍,因此其算法代价十分高。
五、朴素贝叶斯
要推事件A发生的概率下B发生的概率(其中事件A、B均可分解成多个事件),就可以通过求事件B发生的概率下事件A发生的概率,再通过贝叶斯定理计算即可算出结果。
六、逻辑回归
(离散型变量,二分类问题,只有两个值0和1)
以上是关于浅谈对机器学习算法的一些认识(决策树,SVM,knn最近邻,随机森林,朴素贝叶斯逻辑回归)的主要内容,如果未能解决你的问题,请参考以下文章
机器学习速成宝典模型篇08支持向量机SVM(附python代码)
各种机器学习算法的应用场景分别是什么(比如朴素贝叶斯决策树K 近邻SVM逻辑回归最大熵模型)