樸素貝葉斯等常見機器學習算法的介紹及其優缺點比較
大小：0.1 MB 人氣： 2017-09-29 需要積分：0
偏差和方差與模型復雜度的關系使用下圖更加明了：
當模型復雜度上升的時候，偏差會逐漸變小，而方差會逐漸變大。
常見算法優缺點
1.樸素貝葉斯
樸素貝葉斯屬于生成式模型（關于生成模型和判別式模型，主要還是在于是否是要求聯合分布），非常簡單，你只是做了一堆計數。如果注有條件獨立性假設（一個比較嚴格的條件），樸素貝葉斯分類器的收斂速度將快于判別模型，如邏輯回歸，所以你只需要較少的訓練數據即可。即使NB條件獨立假設不成立，NB分類器在實踐中仍然表現的很出色。它的主要缺點是它不能學習特征間的相互作用，用mRMR中R來講，就是特征冗余。引用一個比較經典的例子，比如，雖然你喜歡BradPitt和TomCruise的電影，但是它不能學習出你不喜歡他們在一起演的電影。
優點：
· 樸素貝葉斯模型發源于古典數學理論，有著堅實的數學基礎，以及穩定的分類效率。
· 對小規模的數據表現很好，能個處理多分類任務，適合增量式訓練；
· 對缺失數據不太敏感，算法也比較簡單，常用于文本分類。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%