Matlab各种机器学习模式分类方法的比较

 

看了BP、RBF、广义回归神经网络GRNN及SVM等模式识别的介绍，现在将了解到的各种方法的优缺点列在这里，希望热心的朋友能够提供更详细的比较信息，让我知道针对各种问题该用哪种方法。
1.单隐层的BP神经网络：使用最广的网络，一般使用单隐层网络，隐含层（中间层）神经元个数＝2*输入层神经元个数+1。（这个好像也有意外情况，比如输入神经元个数少时，是否可以适当增加中间层神经元个数？）中间层个数越多，精度越高，但准确度不一定提高。这怎么理解？

BP网络预测精度比较高，但训练误差收敛比较慢。（训练误差收敛慢是什么意思呢？如果我不需要网络学习预测速度快，只要提高准确度。是否就不必要顾及训练误差收敛慢？）
单隐层BP网络一单要求样本数是多少？
2.RBF神经网络：收敛速度比BP网络快，非线性映射能力较强，特别适合于股票市场等系统上的非线性时间序列预测。
3.广义回归神经网络GRNN：逼近能力，分类能力，学习速度优于BP、RBF，较适合于样本量少，噪音大的问题。
4.自组织竞争神经网络：不需要事先知道样本所属模式类别，进行聚类分析。
5.SVM：要求样本数大于或等于特征数的10倍，适合于大样本问题？补充：SVM 由于引入了松弛因子， 也会出现overfitting问题， 使用cross validation 进行规避overfitting


共同的特点：
1.归一化处理，防止局部特征过饱和，即权重过大？
2.训练样本中，两类样本的数量相当时，构建的模型最好。
3.选取少而精的最优特征进行学习和预测。如何利用小波分析或别的特征筛选方法实现？SVM Recursive Feature Elimination (SVM RFE)工具箱是基因选取中用到的。