进修！呆板进修算法优弱点综述

¼

 正则化算法（Regularization Algorithms）  集成算法（Ensemble Algorithms）  决定树算法（Decision Tree Algorithm）  回归（Regression）  人工神经收集（Artificial Neural Network）  深度进修（Deep Learning）  支持向量机（Support Vector Machine）  降维算法（Dimensionality Reduction Algorithms）  聚类算法（Clustering Algorithms）  基于实例的算法（Instance-based Algorithms）  贝叶斯算法（Bayesian Algorithms）  关联法则进修算法（Association Rule Learning Algorithms）  图模子（Graphical Models）

正则化算法（Regularization Algorithms）

它是另一种要领（凡是是回归要领）的拓展，这种要了解基于模子伟大性对其举办处罚，它喜痪?对简朴可以或许更好的泛化的模子。

例子：

 岭回归（Ridge Regression）  最小绝对紧缩与选择算子（LASSO）  GLASSO  弹性收集（Elastic Net）  最小角回归（Least-Angle Regression）

利益：

 其处罚会镌汰过拟合  总会有办理要领

弱点：

 处罚会造成欠拟合  很难校准

集成算法（Ensemble algorithms）

集成要领是由多个较弱的模子集成模子组，个中的模子可以单独举办实习，而且它们的猜测能以某种方法团结起往复做出一个总体猜测。

该算法首要的题目是要找出哪些较弱的模子可以团结起来，以及团结的要领。这是一个很是强盛的技能集，因此广受接待。

 Boosting  Bootstrapped Aggregation（Bagging）  AdaBoost  层叠泛化（Stacked Generalization）（blending）  梯度推进机（Gradient Boosting Machines，GBM）  梯度晋升回归树（Gradient Boosted Regression Trees，GBRT）  随机丛林（Random Forest）

利益：

 当先最先辈的猜测险些都行使了算法集成。它比行使单个模子猜测出来的功效要准确的多

弱点：

 必要大量的维护事变

决定树算法（Decision Tree Algorithm）

决定树进修行使一个决定树作为一个猜测模子，它将对一个 item（表征在分支上）调查所得映射成关于该 item 的方针值的结论（表征在叶子中）。

示范子中的方针是可变的，可以采一组有限值，被称为分类树；在这些树布局中，叶子暗示类标签，分支暗示表征这些类标签的毗连的特性。

例子：

 分类和回归树（Classification and Regression Tree，CART）  Iterative Dichotomiser 3（ID3）  C4.5 和 C5.0（一种强概略领的两个差异版本）

利益：

 轻易表明  非参数型

弱点：

 趋向过拟合  也许或陷于局部最小值中  没有在线进修

回归（Regression）算法

回归是用于预计两种变量之间相关的统计进程。当用于说明因变量和一个 多个自变量之间的相关时，该算法能提供许多建模和说明多个变量的能力。详细一点说，回归说明可以辅佐我们领略当恣意一个自变量变革，另一个自变量稳固时，因变量变革的典范值。最常见的是，回归说明能在给定自变量的前提下预计出因变量的前提祈望。

回归算法是统计学中的首要算法，它已被纳入统计呆板进修。

例子：

 平凡最小二乘回归（Ordinary Least Squares Regression，OLSR）  线性回归（Linear Regression）  逻辑回归（Logistic Regression）  慢慢回归（Stepwise Regression）  多元自顺应回归样条（Multivariate Adaptive Regression Splines，MARS）  当地散点滑腻预计（Locally Estimated Scatterplot Smoothing，LOESS）

利益：

 直接、快速  知名度高

弱点：

 要求严酷的假设  必要处理赏罚非常值

人工神经收集

人工神经收集是受生物神经收集开导而构建的算法模子。

它是一种模式匹配，常被用于回归和分类题目，但拥有复杂的子域，由数百种算法和种种题目的变体构成。

例子：

 感知器  反向撒播  Hopfield 收集  径向基函数收集（Radial Basis Function Network，RBFN）

利益：

 在语音、语义、视觉、种种游戏（如围棋）的使命中示意极好。  算法可以快速调解，顺应新的题目。

弱点：

 必要大量数据举办实习  实习要求很高的硬件设置  模子处于黑箱状态，难以领略内部机制  元参数（Metaparameter）与收集拓扑选择坚苦。

深度进修（Deep Learning）

深度进修是人工神经收集的最新分支，它受益于今世硬件的快速成长。

浩瀚研究者今朝的偏向首要齐集于构建更大、更伟大的神经收集，今朝有很多要领正在聚焦半监视进修题目，其顶用于实习的大数据集只包括很少的标志。

例子：

（编辑：湖南网）

【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!