数据挖掘中，选择合适的分类算法至关重要。支持向量机（SVM）通常用于追求高预测准确性的场景，而决策树则因模型可解释性而被青睐。使用SVM时，高斯核和交叉验证有助于优化模型参数。文章引用了Kotsiantis, Hastie, Tibshirani & Friedman以及Caruana, Niculescu-Mizil的研究，提供了常见分类算法的比较分析。"
78866086,5543195,Mybatis整合Ehcache实现缓存,"['mybatis', '缓存框架', 'Ehcache']
数据挖掘新手常问的一个问题是，这么多算法里面该选用哪一个？在没有更多背景信息给出时，如果追求预测的准确程度，一般用支持向量机（SVM），如果要求模型可以解释，一般用决策树。使用SVM的时候选择高斯核（即RBF kernel），同时要用交叉验证（cross validation）选择合适的模型参数。
下面的表格是对常用分类算法的一个比较，来自一篇文章
Kotsiantis, S. B.
Supervised Machine Learning: A Review of Classification Techniques
Informatica, 2007, 31, 249-268
接下来这个表格的结论类似，它来自经典名著
Hastie, T.; Tibshirani, R. & Friedman, J.
The Elements of Statistical Learning, Second Edition
Springer, 2009
最低0.47元/天 解锁文章
69
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
