您好,欢迎来电子发烧友网! ,新用户?[免费注册]

您的位置:电子发烧友网>源码下载>数值算法/人工智能>

朴素贝叶斯等常见机器学习算法的介绍及其优缺点比较

大小:0.1 MB 人气: 2017-09-29 需要积分:0

  偏差和方差与模型复杂度的关系使用下图更加明了:

  朴素贝叶斯等常见机器学习算法的介绍及其优缺点比较

  当模型复杂度上升的时候,偏差会逐渐变小,而方差会逐渐变大。

  常见算法优缺点

  1.朴素贝叶斯

  朴素贝叶斯属于生成式模型(关于生成模型和判别式模型,主要还是在于是否是要求联合分布),非常简单,你只是做了一堆计数。如果注有条件独立性假设(一个比较严格的条件),朴素贝叶斯分类器的收敛速度将快于判别模型,如逻辑回归,所以你只需要较少的训练数据即可。即使NB条件独立假设不成立,NB分类器在实践中仍然表现的很出色。它的主要缺点是它不能学习特征间的相互作用,用mRMR中R来讲,就是特征冗余。引用一个比较经典的例子,比如,虽然你喜欢BradPitt和TomCruise的电影,但是它不能学习出你不喜欢他们在一起演的电影。

  优点:

  · 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。

  · 对小规模的数据表现很好,能个处理多分类任务,适合增量式训练;

  · 对缺失数据不太敏感,算法也比较简单,常用于文本分类。

非常好我支持^.^

(0) 0%

不好我反对

(0) 0%

      发表评论

      用户评论
      评价:好评中评差评

      发表评论,获取积分! 请遵守相关规定!