学习！机器学习算法优缺点综述

优点/缺点：见神经网络

支持向量机（Support Vector Machines）

给定一组训练事例，其中每个事例都属于两个类别中的一个，支持向量机（SVM）训练算法可以在被输入新的事例后将其分类到两个类别中的一个，使自身成为非概率二进制线性分类器。

SVM 模型将训练事例表示为空间中的点，它们被映射到一幅图中，由一条明确的、尽可能宽的间隔分开以区分两个类别。

随后，新的示例会被映射到同一空间中，并基于它们落在间隔的哪一侧来预测它属于的类别。

优点：

 在非线性可分问题上表现优秀

缺点：

 非常难以训练  很难解释

降维算法（Dimensionality Reduction Algorithms）

和集簇方法类似，降维追求并利用数据的内在结构，目的在于使用较少的信息总结或描述数据。

这一算法可用于可视化高维数据或简化接下来可用于监督学习中的数据。许多这样的方法可针对分类和回归的使用进行调整。

例子：

 主成分分析（Principal Component Analysis (PCA)）  主成分回归（Principal Component Regression (PCR)）  偏最小二乘回归（Partial Least Squares Regression (PLSR)）  Sammon 映射（Sammon Mapping）  多维尺度变换（Multidimensional Scaling (MDS)）  投影寻踪（Projection Pursuit）  线性判别分析（Linear Discriminant Analysis (LDA)）  混合判别分析（Mixture Discriminant Analysis (MDA)）  二次判别分析（Quadratic Discriminant Analysis (QDA)）  灵活判别分析（Flexible Discriminant Analysis (FDA)）

优点：

 可处理大规模数据集  无需在数据上进行假设

缺点：

 难以搞定非线性数据  难以理解结果的意义

聚类算法（Clustering Algorithms）

聚类算法是指对一组目标进行分类，属于同一组（亦即一个类，cluster）的目标被划分在一组中，与其他组目标相比，同一组目标更加彼此相似（在某种意义上）。

例子：

 K-均值（k-Means）  k-Medians 算法  Expectation Maximi 封层 ation (EM)  最大期望算法（EM）  分层集群（Hierarchical Clstering）

优点：

 让数据变得有意义

缺点：

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!