qq_38251888的博客

朴素贝叶斯的主要优点有： 1）朴素贝叶斯模型有稳定的分类效率。 2）对小规模的数据表现很好，能处理多分类任务，适合增量式训练，尤其是数据量超出内存时，可以一批批的去增量训练。 3）对缺失数据不太敏感，算法也比较简单，常用于文本分类。 朴素贝叶斯的主要缺点有：　　　 1） 理论上，朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为朴素贝叶斯模型给定输出类别的情况下,假...

SVM 的推导、特点、优缺点、多分类问题及应用 作者：keepreder SVM有如下主要几个特点： (1) 非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射； (2) 对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心； (3) 支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量。 (4) SVM 是一种有坚...

到这里，也许你已经对adaboost算法有了大致的理解。但是也许你会有个问题，为什么每次迭代都要把分错的点的权值变大呢？这样有什么好处呢？不这样不行吗? 这就是我当时的想法，为什么呢？我看了好几篇介绍adaboost 的博客，都没有解答我的疑惑，也许大牛认为太简单了，不值一提，或者他们并没有意识到这个问题而一笔带过了。然后我仔细一想，也许提高错误点可以让后面的分类器权值更高。然后看了adaboos...

Baggging 和Boosting都是模型融合的方法，可以将弱分类器融合之后形成一个强分类器，而且融合之后的效果会比最好的弱分类器更好。 Bagging: 先介绍Bagging方法： Bagging即套袋法，其算法过程如下： 从原始样本集中抽取训练集。每轮从原始样本集中使用Bootstraping的方法抽取n个训练样本（在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中）。共进...