[算法]收藏！机器学习算法优缺点综述

2020-05-01

本文插图

来源：七月在线
本文约2700字，建议阅读5分钟
本文为你介绍机器学习算法的优缺点。
标签：机器学习、深度学习、算法
目录

正则化算法（Regularization Algorithms）
集成算法（Ensemble Algorithms）
决策树算法（Decision Tree Algorithm）
回归（Regression）
人工神经网络（Artificial Neural Network）
深度学习（Deep Learning）
支持向量机（Support Vector Machine）
降维算法（Dimensionality Reduction Algorithms）
聚类算法（Clustering Algorithms）
基于实例的算法（Instance-based Algorithms）
贝叶斯算法（Bayesian Algorithms）
关联规则学习算法（Association Rule Learning Algorithms）
图模型（Graphical Models）

[算法]收藏！机器学习算法优缺点综述

本文插图

正则化算法（Regularization Algorithms）
【[算法]收藏！机器学习算法优缺点综述】

[算法]收藏！机器学习算法优缺点综述

本文插图

它是另一种方法（通常是回归方法）的拓展，这种方法会基于模型复杂性对其进行惩罚，它喜欢相对简单能够更好的泛化的模型。
例子：

岭回归（Ridge Regression）
最小绝对收缩与选择算子（LASSO）
GLASSO
弹性网络（Elastic Net）
最小角回归（Least-Angle Regression）

优点：

其惩罚会减少过拟合
总会有解决方法

缺点：

惩罚会造成欠拟合
很难校准

集成算法（Ensemble algorithms）

[算法]收藏！机器学习算法优缺点综述

本文插图

集成方法是由多个较弱的模型集成模型组，其中的模型可以单独进行训练，并且它们的预测能以某种方式结合起来去做出一个总体预测。
该算法主要的问题是要找出哪些较弱的模型可以结合起来，以及结合的方法。这是一个非常强大的技术集，因此广受欢迎。

Boosting
Bootstrapped Aggregation（Bagging）
AdaBoost
层叠泛化（Stacked Generalization）（blending）
梯度推进机（Gradient Boosting Machines ， GBM）
梯度提升回归树（Gradient Boosted Regression Trees ， GBRT）
随机森林（Random Forest）

优点：

当先最先进的预测几乎都使用了算法集成。它比使用单个模型预测出来的结果要精确的多

缺点：

需要大量的维护工作

决策树算法（Decision Tree Algorithm）

[算法]收藏！机器学习算法优缺点综述

本文插图

决策树学习使用一个决策树作为一个预测模型，它将对一个 item（表征在分支上）观察所得映射成关于该 item 的目标值的结论（表征在叶子中）。
树模型中的目标是可变的，可以采一组有限值，被称为分类树；在这些树结构中，叶子表示类标签，分支表示表征这些类标签的连接的特征。
例子：

上一篇：「产业前沿」耦合磁性材料在量子应用中表现出有趣的性质

下一篇：『小徐的生活分享』光速那么快，那么手电筒的光源能否飞向宇宙？答案没有想到