郑州做网站的专业公司,汕头站扩建有连接华东线吗,一年的百度指数,wordpress仿qq空间模板1决策树#xff08;Decision Trees#xff09;的优缺点 决策树的优点#xff1a; 一、 决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。 二、 对于决策树#xff0c;数据的准备往往是简单或者是不必要的.不需要预处理数据。…1决策树Decision Trees的优缺点 决策树的优点 一、 决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。 二、 对于决策树数据的准备往往是简单或者是不必要的.不需要预处理数据。 三、 决策树是一个白盒模型。如果给定一个观察的模型那么根据所产生的决策树很容易推出相应的逻辑表达式。 四、 在相对短的时间内能够对大型数据源做出可行且效果良好的结果。 五、 可以对有许多属性的数据集构造决策树。 六、 决策树可很好地扩展到大型数据库中同时它的大小独立于数据库的大小。 决策树的缺点 一、 对于那些各类别样本数量不一致的数据在决策树当中,信息增益的结果偏向于那些具有更多数值的特征。 二、 决策树处理缺失数据时的困难。 三、 过度拟合问题的出现。 四、 忽略数据集中属性之间的相关性。 2 人工神经网络的优缺点 人工神经网络的优点分类的准确度高,并行分布处理能力强,分布存储及学习能力强对噪声神经有较强的鲁棒性和容错能力能充分逼近复杂的非线性关系具备联想记忆的功能等。 人工神经网络的缺点神经网络需要大量的参数如网络拓扑结构、权值和阈值的初始值不能观察之间的学习过程输出结果难以解释会影响到结果的可信度和可接受程度学习时间过长,甚至可能达不到学习的目的。 3 遗传算法的优缺点 遗传算法的优点 一、 与问题领域无关切快速随机的搜索能力。 二、 搜索从群体出发具有潜在的并行性可以进行多个个体的同时比较鲁棒性好。 三、 搜索使用评价函数启发过程简单。 四、 使用概率机制进行迭代具有随机性。 五、 具有可扩展性容易与其他算法结合。 遗传算法的缺点 一、 遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码, 二、 另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验.没有能够及时利用网络的反馈信息,故算法的搜索速度比较慢要得要较精确的解需要较多的训练时间。 三、 算法对初始种群的选择有一定的依赖性能够结合一些启发算法进行改进。 4 KNN算法(K-Nearest Neighbour) 的优缺点 KNN算法的优点 一、 简单、有效。 二、 重新训练的代价较低。 三、 由于KNN方法主要靠周围有限的邻近的样本而不是靠判别类域的方法来确定所属类别的因此对于类域的交叉或重叠较多的待分样本集来说KNN方法较其他方法更为适合。 四、 该算法比较适用于样本容量比较大的类域的自动分类而那些样本容量较小的类域采用这种算法比较容易产生误分。 KNN算法缺点 一、 KNN算法是懒散学习方法lazy learning,基本上不学习一些积极学习的算法要快很多。 二、 类别评分不是规格化的不像概率评分。 三、 输出的可解释性不强。 四、 该算法在分类时有个主要的不足是当样本不平衡时如一个类的样本容量很大而其他类样本容量很小时有可能导致当输入一个新样本时该样本的K个邻居中大容量类的样本占多数。该算法只计算“最近的”邻居样本某一类的样本数量很大那么或者这类样本并不接近目标样本或者这类样本很靠近目标样本。无论怎样数量并不能影响运行结果。可以采用加权值的方法来改进。 五、 计算量较大。目前常用的解决方法是事先对已知样本点进行剪辑事先去除对分类作用不大的样本。 六、 k值的确定。 5 支持向量机SVM的优缺点 SVM的优点 一、 可以解决小样本情况下的机器学习问题。 二、 可以提高泛化性能。 三、 可以解决高维问题。 四、 可以解决非线性问题。 五、 可以避免神经网络结构选择和局部极小点问题。 SVM的缺点 一、 对缺失数据敏感。 二、 对非线性问题没有通用解决方案必须谨慎选择Kernel function来处理。 6 朴素贝叶斯的优缺点 优点 一、 朴素贝叶斯模型发源于古典数学理论有着坚实的数学基础以及稳定的分类效率。 二、 NBC模型所需估计的参数很少对缺失数据不太敏感算法也比较简单。 缺点 一、 理论上NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此这是因为NBC模型假设属性之间相互独立这个假设在实际应用中往往是不成立的可以考虑用聚类算法先将相关性较大的属性聚类这给NBC模型的正确分类带来了一定影响。在属性个数比较多或者属性之间相关性较大时NBC模型的分类效率比不上决策树模型。而在属性相关性较小时NBC模型的性能最为良好。 二、 需要知道先验概率。 三、 分类决策存在错误率。 7 Adaboosting方法的优点 一、 adaboost是一种有很高精度的分类器。 二、 可以使用各种方法构建子分类器Adaboost算法提供的是框架。 三、 当使用简单分类器时计算出的结果是可以理解的。而且弱分类器构造极其简单。 四、 简单不用做特征筛选。 五、 不用担心overfitting。 准确率和召回率的使用条件和计算方式即什么情况下正确率指标不适用 准确率(accuracy) 预测对的/所有 (TPTN)/(TPFNFPTN)精确率(precision) TP/(TPFP) 召回率(recall) TP/(TPFN) 在正负样本不平衡的情况下准确率这个评价指标有很大的缺陷。 比如在互联网广告里面点击的数量是很少的一般只有千分之几如果用acc即使全部预测成负类不点击acc 也有 99% 以上没有意义。 转自http://www.cnblogs.com/ljy2013/p/4268158.html转载于:https://www.cnblogs.com/Allen-rg/p/7301698.html
