本文详细介绍了Python中常见的机器学习算法，包括逻辑回归、决策树、XGBoost、神经网络MLP和SVM。讨论了各算法的优点、缺点，并列举了关键参数，如逻辑回归的penalty和C参数，决策树的criterion和max_depth参数，XGBoost的max_depth和learning_rate参数，以及SVM的kernel和C参数。这些信息对于理解和调优机器学习模型至关重要。
注：本文总结参考《Python机器学习基础教程》及老师课件，感谢作者！
算法一
逻辑回归
算法优点
（1）模型简单、易于理解、计算代价低
算法缺点
（1）容易欠拟合
关键参数
（1）penalty参数，取值“l1”和 “l2”，如果只是为了解决过拟合，采用L2正则化即可；如果进一步希望一些不重要特征的系数归于零，让模型系数稀疏化，则采用L1正则化。
（2）C参数，取值越大，正则化强度越小。
（3）class_weight参数，调和样本不均衡。
（4）multi_class参数，分类方式的选择，在多元分类问题中需要设置。本案例不涉及。
。。。。。。。。。。。。。。。。。。。
算法二
决策树
算法优点
（1）易于理解和解释
（2）能够同时处理数值型和分类型特征
（3）对数据规范性要求低，无需太多的数据预处理步骤
算法缺点
（1）但sklearn中决策树不支持对缺失值的处理
（2）容易过拟合
（3）决策树不稳定
（4）在拟合决策树时要考虑样本不均衡
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
