常见机器学习算法优缺点
2021-07-04 20:09
阅读：421
标签：算法 逻辑回归 机器学习 预测 数值 回归 高斯 数据 形式 1、线性模型 形式简单、易于建模、很好的可解释性 2、逻辑回归 无需事先假设数据分布； 可得到近似概率预测； 对率函数任意阶可导的凸函数，许多数值优化算法都可直接用于求取最优解 3、线性判别分析（LDA） 当两类数据同先验、满足高斯分布且协方差相等时，LDA可达到最优分类 4、boosting 代表adaboost：只适用于二分类 5、bagging 在易受样本扰动的学习器上效用更明显（如不剪枝决策树、神经网络） 6、随机森林 简单、容易实现、计算开销小、泛化性能较bagging进一步提升（基学习器多样性不仅来自样本扰动，还来自属性扰动） 起始性能相对较差，但随着个体学习器数目的增加，通常会收敛到更低的泛化误差 常见机器学习算法优缺点 标签：算法 逻辑回归 机器学习 预测 数值 回归 高斯 数据 形式 原文地址：https://www.cnblogs.com/xiyouzhi/p/9601022.html
评论
亲，登录后才可以留言！