各类机器学习算法的优缺点和适用场景汇总

杨利霞

" M2 b0 f+ k' h7 N5 A. T( B各类机器学习算法的优缺点和适用场景汇总
目录
朴素贝叶斯分类器（NB:naive Bayes classifiers）
半朴素贝叶斯分类器（SNB:semi-naive Bayes classifiers）
' f2 ^4 i) p$ |贝叶斯网（信念网）
+ S& t: [7 @! h( h) `: y) k) {决策树（decision tree）
支持向量机（SVM）
神经网络
词向量（word2vec）
7 e1 n6 N: B) Z3 t9 X9 @k近邻分类（kNN）
. R4 H, e/ ^7 f0 f$ a9 v& U% m8 s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
: R, w$ T. G) q! l! \1 n关于学习算法的性能实验结果
5 B$ }/ I' T( ]3 \4 P+ O$ R1 r. _朴素贝叶斯分类器（NB:naive Bayes classifiers）
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？
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
2、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：
1、没有考虑属性间依赖
! V0 ~$ u( w. D8 S7 @& }2、通过类先验概率产生模型
* r/ }6 L! z2 V4 t; n; f$ g% X
半朴素贝叶斯分类器（SNB:semi-naive Bayes classifiers）
/ ]1 m$ P2 X7 l% O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：
/ p5 ^7 w! Y+ b1、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
3、同样支持懒惰学习、增量学习
缺点：
1、通过类先验概率产生模型

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：
0 s( P9 i9 G! p1、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
9 I- w6 A+ H& Z2 d+ _* o& Q2、近似估算后验概率
3、可用于推测属性缺失的样本
8 `4 x& ?- ?, o% p4、良好的可解释性
8 s9 F( m- ~& y4 S9 d2 n- W5、常用于语音识别、机器翻译等
缺点：
- A: B; z: V  ]" f5 D* D1、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
2 H3 _: l& Z$ O% c' N, G
, c! Y) p/ V3 X$ S决策树（decision tree）
9 ^6 {0 z+ N/ f( Y; R+ }1 W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。
优点：
1、计算量较小
6 f( o9 s, E! S- P) L2、清晰表达属性的重要程度
3、可增量学习对模型进行部分重构
8 n" w+ _: s/ V2 l4、不需要任何领域知识和参数假设
5、适合高维数据
6、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
! d2 v5 T6 k5 M, P2 c  T/ r缺点：
+ S7 J4 F; {0 B, `6 W/ f# t% t% k1、没有考虑属性间依赖
- `- T! ?* Q  F4 g( F2 y/ r  E1 ~8 S2、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

1 }( i0 u7 F. x支持向量机（SVM）
: v) X+ F1 z* C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。
8 }6 }& G/ z4 ?优点：
3 J/ C9 [; M# ]7 Q% D- L1 F1、可解决小样本的机器学习任务
2、可解决高维问题
3、可通过核方法解决非线性问题
% S5 F5 C/ `- f) v" c6 Y3 k缺点：
1、对缺失数据敏感
2、对于非线性问题，核函数方法选择一直是个未决问题

神经网络
优点：
" e2 G, R8 a3 y" e" A1、分类的准确度极高
2、可解决复杂的非线性问题
3、对噪声神经有较强的鲁棒性和容错能力
4、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
4 \5 V7 T% f: `. Q) H4 W缺点：
0 A3 B1 Z2 Y9 c' V1、黑箱模型，难以解释
2、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
" f) e. I! b' s; D4、容易陷入局部最小

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。
. s& K) h+ w& p  T+ E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。
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。
8 d9 Z# C* q* W0 z9 f
k近邻分类（kNN）
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）
9 T9 V1 U, Q% v+ h- T4 M: i1 h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；
2、适合对稀有事件进行分类；
% E! V; L$ {' u+ U# T) ?1 R- _$ w% U3、特别适用于多分类问题
缺点：
& o' K9 U- X! B$ n3 n- L6 G* U1、需要计算出待测样本与所有样本的距离，计算量大
& R  W$ e9 o" a! n3 W: g2、样本不平衡时影响大
8 M9 S9 b4 I2 t$ U" M9 ~3、适用的特征维度低

线性模型
优点：
1、算法简单，编程方便
; y3 k0 }5 W5 a' m. l( C! p2、计算简单，决策速度快
缺点：
1、拟合效果较差

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
+ a! S7 X, z5 d% I+ Z2 b& d. Qk-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
# R* Y. o# a% \' s# k. f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。

: t: Q- b+ n5 s8 l( w* F关于学习算法的性能实验结果
点击查看原文
+ D% ]9 }. D& z" x$ q
( e, m+ l8 d" A0 h# R14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。
# G5 v, i$ {# `论文题为：Do we Need Hundreds of Classifiers to Solve Real World Classification Problems?
$ t# V: z$ Z8 m$ G$ G& z' O没有最好的分类器，只有最合适的分类器。
3 m& P8 w5 ^5 H4 [1、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。
2、SVM的平均水平紧随其后，在10.7%的数据集上拿到第一。
) ]/ m' S/ c  W. _4 d* q3、神经网络（13.2%）和boosting（~9%）表现不错。
4、数据维度越高，随机森林就比AdaBoost强越多，但是整体不及SVM[2]。
4 ^' w; }$ o/ S) ]5 \! A( a5、数据量越大，神经网络就越强。
————————————————
( F4 G- V$ c$ E! ~2 b8 z/ \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
0 A" w! M' O2 E, s% u8 a' \