我已经学习了机器学习中的几种分类器-决策树,神经网络,支持向量机,贝叶斯分类器,K-NN等。
谁能帮助我理解什么时候我应该更喜欢其中一个分类器-例如-在哪种情况下(数据集的性质等)我应该更喜欢决策树而不是神经网络,或者哪种情况支持向量机可能比贝叶斯更好?
如果这里不是发布这个问题的好地方,很抱歉。
谢谢。
发布于 2013-07-13 02:19:59
这与数据集的性质密切相关。有几种元学习方法可以告诉你应该使用哪个分类器,但通常没有黄金法则。
如果您的数据很容易分离(很容易区分来自不同类别的条目),也许决策树或SVM(具有线性内核)就足够好了。但是,如果您的数据需要转换到其他高维空间,那么基于内核的分类器可能工作得很好,例如RBF。支持向量机还可以更好地使用非冗余、独立的功能。当需要特征之间的组合时,人工神经网络和贝叶斯分类器也能很好地工作。
再说一次,这是高度主观的,并且很大程度上取决于您的功能集。例如,拥有与类高度相关的单个特征可能会确定哪个分类器工作得最好。也就是说,总的来说,没有免费的午餐定理说没有分类器是万能的,但支持向量机通常被认为是目前二进制分类的最佳选择。
https://stackoverflow.com/questions/17605220
复制相似问题