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
0 @4 d6 s9 \8 X3 W9 H4 e目录
. }/ Y; M& v5 E2 k( w% G5 J3 w朴素贝叶斯分类器（NB:naive Bayes classifiers）
% D2 w6 k+ E1 d; }9 [半朴素贝叶斯分类器（SNB:semi-naive Bayes classifiers）
贝叶斯网（信念网）
" j, P& y+ E, g0 ]! [- f决策树（decision tree）
支持向量机（SVM）
: q4 E# V9 {. t. I. c7 e! ~神经网络
词向量（word2vec）
k近邻分类（kNN）
线性模型
' S" N/ p2 @. e3 c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
关于学习算法的性能实验结果
; A8 Y7 z- L1 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？
9 A: ~4 C* J' k  K' x3 m2 l* @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。

0 w/ q0 z, i7 Z5 A1 z0 t优点：
3 U9 ~; {- x2 E8 j6 N1、计算量较小
! d0 B( ]4 L! c2、支持懒惰学习、增量学习
3 F+ S0 e, ?: A5 D3、对缺失数据不太敏感
& L) i# I3 Z! Z. s0 O3 K0 Z$ r2 Z4、推断即查表，速度极快。
缺点：
1、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）
( l, p6 r. G, K( L. U2 @8 s" C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
/ H# z" P# k$ v  p$ q* U3 m& {4 V2、计算开销不大
! \, ]& z* J& g5 P7 O" d6 z, G; X3、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

! i! U/ K7 X2 g8 k" j2 _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。
! }1 G; z) h$ [! l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
2、近似估算后验概率
3、可用于推测属性缺失的样本
3 `) J& ?  K1 n2 H) Z6 K) \6 a4、良好的可解释性
5、常用于语音识别、机器翻译等
0 y+ \! e' N+ z* o* ?4 ^/ N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

! C5 h4 r7 O1 _+ s% }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。
& g1 g3 {6 I/ n  j5 H优点：
1、计算量较小
% R! u: A3 p2 _  M7 r2、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
4、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
缺点：
2 c" i9 a, N; R) D2 U1、没有考虑属性间依赖
2、容易过拟合，通过剪枝缓解
4 r' [, A% ~# m2 s3、不可用于推测属性缺失的样本

/ A6 ^, W6 k/ H" k+ z$ q' y; @支持向量机（SVM）
9 U1 z2 ~: }. q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。
/ g9 K+ O( @4 @+ k优点：
1、可解决小样本的机器学习任务
6 X* ~( M3 L( p6 b2、可解决高维问题
3、可通过核方法解决非线性问题
缺点：
1、对缺失数据敏感
# b4 `5 v2 R8 m8 B- N7 ]- y! s2、对于非线性问题，核函数方法选择一直是个未决问题
# c. g) V8 `, U1 y& k
; {1 f* p% }5 P* @神经网络
; ~5 K" f8 w# Z优点：
/ u8 h: X& u8 r8 ], q1、分类的准确度极高
% v& s4 F/ Z0 P! b1 ^$ G1 t2、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
* s6 [7 `& J2 J5、常用于图像识别
6、数据量越大，表现越好
4 j' V4 m. O- X5 e1 K) J缺点：
1、黑箱模型，难以解释
) |( j, ^* Q: R2、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
( V4 i: l/ Q6 @4、容易陷入局部最小

词向量（word2vec）
! p. Y: P  b" N. I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。
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）
% k3 A) E- j1 j4 I/ W, e. u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）
& X# }$ s% p1 R3 b; R, |优点：
/ n1 D- Y+ i! }) f  f1、思想简单，易于理解，易于实现，无需估计参数，无需训练；
6 N. y9 [& k% Q( y1 Q2、适合对稀有事件进行分类；
3、特别适用于多分类问题
缺点：
1、需要计算出待测样本与所有样本的距离，计算量大
2、样本不平衡时影响大
4 a) i/ r! F, t) w0 A3、适用的特征维度低

线性模型
优点：
$ b! c4 C% ]* V3 o1 p) q4 o1、算法简单，编程方便
2、计算简单，决策速度快
3 x5 s8 m+ g6 n: W% |. \缺点：
1、拟合效果较差

8 Y6 S8 }$ ~+ }. X  ?8 ~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
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。

: a/ v- [/ y1 c* r- Z关于学习算法的性能实验结果
点击查看原文
5 H6 ?1 R4 M# {/ Z; ^+ w
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。
, J; _! z: |$ Z7 W* j% K, o论文题为：Do we Need Hundreds of Classifiers to Solve Real World Classification Problems?
没有最好的分类器，只有最合适的分类器。
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。
: B' q- d7 T" g+ Y: j3、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]。
5、数据量越大，神经网络就越强。
7 ^4 q6 f1 n2 V————————————————
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。
$ T; E* h* A$ k0 S4 z: \/ k' I原文链接：https://blog.csdn.net/u010921136/article/details/90668382

; [9 \' I9 {% Q) ?- b, E
5 r4 F5 f, Z% }  c# R3 G3 C