各类机器学习算法的优缺点和适用场景汇总

杨利霞

各类机器学习算法的优缺点和适用场景汇总
目录
( @+ I* z2 w7 E" d朴素贝叶斯分类器（NB:naive Bayes classifiers）
0 a. @  `8 c0 a( D! Q' h) p半朴素贝叶斯分类器（SNB:semi-naive Bayes classifiers）
贝叶斯网（信念网）
, Z5 q& x+ B  i决策树（decision tree）
支持向量机（SVM）
神经网络
: a/ O+ P) J! p, O4 @6 E词向量（word2vec）
k近邻分类（kNN）
线性模型
高斯混合聚类与k均值（k-means）及其变种（k-means++、ISODATA、Kernel K-means）的对比
" P2 c& z9 Q3 F7 O3 O% {关于学习算法的性能实验结果
朴素贝叶斯分类器（NB:naive Bayes classifiers）
; v4 {: m( ?/ K4 W4 ]9 F6 z顾名思义，其适用于分类任务、并且假设每个属性独立地对分类结果发生影响，然而现实中各个因素往往并不独立，那是否就无法解决问题呢？
3 B' L8 V$ J  N* `# i  x& r事实上并非如此，相反，朴素贝叶斯分类器在很多情况下都能获得相当好的性能，一种解释是：无需精准概率值即可导致正确分类结果；另一种解释是：若属性间依赖对所有类别影响相同，或依赖关系的影响能相互抵消，则属性条件独立性假设在降低计算开销的同时，不会对性能产生负面影响。

优点：
1、计算量较小
( a8 z) q0 l: g  o. e, n! u2、支持懒惰学习、增量学习
3、对缺失数据不太敏感
4、推断即查表，速度极快。
缺点：
" r/ T. }! S- @: o1、没有考虑属性间依赖
2、通过类先验概率产生模型

半朴素贝叶斯分类器（SNB:semi-naive Bayes classifiers）
相比NB的不考虑依赖，SNB则是考虑了一个（独依赖估计策略：ODE）或多个（多依赖估计策略：kDE）属性依赖
优点：
1、考虑了一个或多个比较强的属性依赖关系，泛化性能可能得到提升
2、计算开销不大
! u  t, f$ E/ f. \; t9 A3、同样支持懒惰学习、增量学习
, R$ \& ?$ z, H1 x缺点：
1、通过类先验概率产生模型

4 S5 T- a5 S9 N贝叶斯网（信念网）
贝叶斯网借助有向无环图刻画属性之间的依赖关系，通过吉布斯采样或者变分推断等方式来近似推断后验概率。
优点：
1、更加完整地考虑了属性间依赖关系，泛化性能将进一步提升
, p; Y; _- q' e2、近似估算后验概率
7 H1 L; H3 @0 }+ P* S2 i, ^* t3、可用于推测属性缺失的样本
1 o) Z3 k/ C& N1 W5 P& f: i' e- g4、良好的可解释性
5、常用于语音识别、机器翻译等
8 W" m3 h+ v' ?缺点：
1、结构学习NP难，通过评分搜索方法缓解
2、推断算法的收敛速度较慢
3 h) ?& c6 L$ r' X
* {8 [) h1 ]9 ?* j( h7 a: P决策树（decision tree）
决策树通过信息纯度（信息增益、增益率、基尼指数等）来决定结点的生成，通过剪枝来缩小决策树的尺寸以及缓解过拟合。是一种非参数学习算法。
, A1 u. T) v  t6 S优点：
1、计算量较小
2、清晰表达属性的重要程度
$ \0 v' E7 ?) u) L5 }- M& X; y3、可增量学习对模型进行部分重构
4、不需要任何领域知识和参数假设
; Y  @1 v, L; ~, q, G8 J5、适合高维数据
3 ~% e6 Q# V; h( P6、随机森林是基于决策树的集成学习策略，随机森林鲜有短板
缺点：
1、没有考虑属性间依赖
2、容易过拟合，通过剪枝缓解
3、不可用于推测属性缺失的样本

支持向量机（SVM）
基于训练集D在样本空间中找到一个划分超平面，将不同类别的样本分开，是一种针对二分类设计的算法，但稍加改造为支持向量回归即可用于回归学习。
优点：
' c) r4 D) ?7 N4 H, M1 s7 a1、可解决小样本的机器学习任务
8 I5 j9 z4 b% C1 P$ e* l2、可解决高维问题
3、可通过核方法解决非线性问题
5 w/ p% l, @( X1 c缺点：
1、对缺失数据敏感
7 N$ ]6 {/ f1 O2、对于非线性问题，核函数方法选择一直是个未决问题
* Z' g) W# }. O& B+ x* _
% `& ~0 c! A3 n/ _神经网络
' z& m3 t8 f: |6 D0 S! N) {3 _优点：
1、分类的准确度极高
2、可解决复杂的非线性问题
6 ]8 g. T* W4 X) p% I& @, c8 z+ E3、对噪声神经有较强的鲁棒性和容错能力
4 G7 j& V. ^4 L& `% h" q6 m/ h4、并行分布处理能力强,分布存储及学习能力强
5、常用于图像识别
6、数据量越大，表现越好
缺点：
7 b, `1 A! W0 R6 B1、黑箱模型，难以解释
% f( @) i8 T) \. q) O2、需要初始化以及训练大量参数，如网络结构、权值、阈值，计算复杂
3、误差逆传播的损失
8 V  ~/ ]* i' q4、容易陷入局部最小
) v, |4 b3 B/ l9 _; c: k+ {1 T
词向量（word2vec）
将文章的每句话当成一行，将每个词用符号隔开（如使用中文分词工具jieba），根据上下文，可以找出相似词义的词。
比如：我 喜欢 你，我 爱 你，我 讨厌 你。根据上下文我和你，可以找到喜欢的相似词，有爱和讨厌。
1 j$ |" z- F4 f* S再一般地如：1 2 3 X 4 5 6，1 2 3 Y 4 5 6。根据上下文1 2 3和4 5 6，可以找到X和Y相似。
gensim是一个很好用的Python NLP的包，不光可以用于使用word2vec，还有很多其他的API可以用。它封装了google的C语言版的word2vec。

k近邻分类（kNN）
5 t9 J3 @! k% k' l8 Z# _基于某种距离度量找出训练集中与其最靠近的k个训练样本，或者指定距离e之内的训练样本，分类任务中通过投票法（以及加权投票等）将出现最多的类别标记作为预测结果，回归任务中则使用平均法（以及加权平均等）
1 Q% Z5 w! A9 Q& Z优点：
1、思想简单，易于理解，易于实现，无需估计参数，无需训练；
( v$ ?+ \, L+ p7 [, ?8 D( m: N2、适合对稀有事件进行分类；
3、特别适用于多分类问题
2 H7 A6 U/ u* ]缺点：
2 c; J% C1 ?* M; b1、需要计算出待测样本与所有样本的距离，计算量大
* i6 S# w( s; j8 T% f9 d3 Z5 Z2、样本不平衡时影响大
6 F2 o" D; i* h$ L5 e$ Q: q, Q3、适用的特征维度低
- K" v' o2 z/ |- `$ v. A
线性模型
优点：
4 P, K' X! e7 o% G1、算法简单，编程方便
" x' c8 _0 P6 y% ^  t& C2、计算简单，决策速度快
缺点：
1、拟合效果较差
4 r* L2 g! D- J
7 Z, T# r, \( Z% W高斯混合聚类与k均值（k-means）及其变种（k-means++、ISODATA、Kernel K-means）的对比
k-means是高斯混合聚类在混合成分方差相等、且每个样本仅指派给一个混合成分时的特例，因此k-means计算简单，但效果不如高斯混合聚类
9 t: S! U# Q" W由于计算太过复杂，高斯混合聚类并不常用，推荐使用k-means++（与k-means随机选定不同，k-means++初始选定的几个样本距离尽量远，这样能更快得出分簇结果）等k-means变种。

% h" T- L* l$ V0 \9 ~关于学习算法的性能实验结果
点击查看原文
4 e; k# `% S  B8 x7 }7 p3 a
# Y8 h' M" y( i% _14年的时候有人做过一个实验[1]，比较在不同数据集上（121个），不同的分类器（179个）的实际效果。
论文题为：Do we Need Hundreds of Classifiers to Solve Real World Classification Problems?
6 T: t6 y( N' `没有最好的分类器，只有最合适的分类器。
! }1 o! T2 D3 a1 ?4 M" p- F1、随机森林平均来说最强，但也只在9.9%的数据集上拿到了第一，优点是鲜有短板。
0 e& V* J- t* `+ L  P0 b  {% _2、SVM的平均水平紧随其后，在10.7%的数据集上拿到第一。
+ v9 b: |3 ^5 `- z; m8 }; o3、神经网络（13.2%）和boosting（~9%）表现不错。
4 X3 d- w: w) \4 h& b' F0 Q# u4、数据维度越高，随机森林就比AdaBoost强越多，但是整体不及SVM[2]。
5、数据量越大，神经网络就越强。
————————————————
3 i& H0 y8 f; s2 L; F版权声明：本文为CSDN博主「路飞的纯白世界」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/u010921136/article/details/90668382
" p2 s( P: K/ Z- s1 c
) x4 t5 p9 S6 _' G' K