数据挖掘--模型选择

本文转自：https://blog.csdn.net/qq_20800249/article/details/80046476

名称	假设 /关键	优缺点	模型	策略	算法
感知机	拉格朗日对偶	1.初值不同结果不同 2.无法处理非线性 3.对偶形式将内积存储（Gram矩阵），加速计算		误分类点总数最小	梯度下降
KNN	1.k值选择（交叉验证法） 2.距离度量 3.分类决策规则	1.对异常点不敏感 2.不具有显示学习过程（可解释行差） 3.适用于多分类问题 4.计算量大（占内存）	距离度量：p范数（L1、L2） （各个坐标距离最大值 ）	决策规则：多数表决（=经验风险最小化）	1.计算与x最近的k个点（Nk） 2.分类规则（多数表决） 3.kd树（适用于训练实例远大于空间维数的搜素）
聚类分析 （无监督）	1.k值选择 2.相似度量（距离）	1.初值敏感 2.异常点敏感 3.kmeans适合球状 4.大数据集伸缩性好，高效，高斯分布效果好	质心：	MSE（均方差）：   K选择：SSE（和方差）   选择最小的k	K-means： 1.随机初始化k个质心 2.对所有样本计算x到k的距离，找最近的簇，添加类标记Ci；重新计算质心（均值） 3.重复直到中止（迭代次数、最小平方MSE、簇中心点变化率） 密度聚类、层次聚类
朴素贝叶斯	1.特征条件独立 2.贝叶斯定理	1.小规模表现良好，速度快，参数估计的个数锐减 2.在特征关联性较强的任务性能差 3.适用于多分类	极大似然估计： 贝叶斯估计 （λ=1 拉普拉斯平滑）：		1.学习输入输出联合概率分布 2.求出最大后验概率输出y
回归模型	1．正则化： L1会引入稀疏性，而L2会充分利用更多的特征 2.LR回归： 1）假设特征与分类结果存在线性关系 2）使用sigmoid函数映射到0-1（非线性映射将远离分类面的点作用减弱）	LR：1适合分类概率的场景 2时间和内存需求高效（分布式数据、在线算法） 3 对于小噪声鲁棒 4.易欠拟合精度不高 5数据特征有缺失或者特征空间很大时表现效果不好 6.必须线性可分 最小二乘： 1.均值回归，异常点敏感，鲁棒性不高 2.存在最优解	LR回归（二项）：    对数几率：（概率->回归）	1.线性回归   2.岭回归 3.lasso回归 4.LR回归（极大似然估计，求极大，也可增加L1、L2正则项）	1.梯度下降法 2.拟牛顿法（二阶）
SVM	非线性映射	1.低泛化误差，易解释 2.只考虑支持向量的影响，对异常敏感，但也剔除冗余 3.大规模训练样本，耗内存占时间 4.多分类问题困难 核技巧： 1. 如果Feature的数量很大，跟样本数量差不多，这时候选用LR或者是Linear Kernel的SVM 2. 如果Feature的数量比较小，样本数量一般，不算大也不算小，选用SVM+Gaussian Kernel 3. 如果Feature的数量比较小，而样本数量很多，需要手工添加一些feature变成第一种情况	硬间隔（线性可分）： 软间隔（线性不可分）：   核技巧： 1.将原空间映射到新空间 2.新空间中线性分类   多项式核： 高斯核：	（最小间隔最大化） 拉格朗日对偶将minmax->maxmin 便有优化求导得到最优解 硬间隔： 软间隔： 核技巧：	解出优化方程 得到相应参数
决策树	1.特征选择 2.决策树生成 3.决策树修剪	1. 数据准备简单，可解释性强 2. 能够同时处理数据型和常规型属性 3. 在相对短的时间内能够对大型数据源做出可行且效果良好的结果 4.适合处理缺失属性样本 5.易过拟合	特征准则—信息增益（ID3）： （熵越大不确定性越大） 特征准则—信息增益比（C4.5）：  （比值解决了偏向取值较多的属性的问题） 特征准则—Gini（CART）： （越小集合D不确定性越小）	决策树剪枝： 极小化决策树整体损失，递归回缩，若C(Ta)<=C(Tb)，剪枝	1.分类：递归选择最优特征 2.回归：最小二乘 1）选择最优切分变量和切分点   2）计算每个划分区域相应的输出值
提升树	采用加法模型与前向分步算法，同时基函数采用决策树算法，对待分类问题采用二叉分类树，对于回归问题采用二叉回归树	Adboost： 1.低泛化误差 2.易实现，分类准确率高，没太多参数可调 3.对异常点较敏感 GBDT： 1.可用于多有分类和回归（线性/非线性） 2.可筛选特征 3.解决过拟合问题 4.不好并行，复杂度高，不适合高维稀疏特征 5.需要特征归一化	加法模型：   前向分部算法: 经验风险最小化：   （分类0-1损失， 回归平方损失，拟合残差）   参数调优（GBDT）： 树个数、树深度、缩放因子、损失函数、数据采样比、特征采样比	Adboost：指数损失（e为误差率） （分类） GBDT：对数、平方（残差），0-1，似然损失，CART树（回归），负梯度拟合（在上一轮分类器残差上训练，从而降低偏差）   构造特征：（每个类别一棵树） 新特征维度为叶子节点总数，样本落入每颗树的节点为1，其余为0，与RF结合输入效果较好 预测：每个树的预测值与缩放因子相乘求和。分类需转化为（0-1）， 样本在每个树的输出f，计算概率 Xgboost：支持线性分类器；模型复杂度作为正则项加到优化目标中；使用二阶导（泰勒展开）；自动学习特征缺失样本的分裂向；特征粒度上的并行（特征存储排序）；列抽样（降低过拟合）；Shrinkage（缩减），相当于学习率	Adboost： 1.初始化权值分布 2.学习基本分类器Gm(x) 3.计算误差率 4.计算Gm系数α 5.更新权值分布（误差率越小树权值越大，误分类样本权值增加）   GBDT： 1.初始化弱学习器   2.计算负梯度 3.对残差拟合回归树 3.叶子节点拟合 4.得到回归树
集成模型	1.Bagging 2.随机特征	随机森林： 1.难以解释，平均很多树的结果。 2.构造过程长，可以采用多核并行 3.随机性：不易过拟合、较好的抗噪声 4.高维数据，无特征选择，离散连续均可	随机森林： 从d个特征中随机K个生成决策树，若K=d为原始决策树；若k=1为完全随机树，一般令K=logd		1.采样T个采样集（有放回），随机抽取含m个特征的采样集 2.基于每个采样集训练一个基学习器 3. 分类问题：由投票表决；回归问题：k个模型预测结果的均值

关于调参：手动搜索、网格搜索、随机搜索、贝叶斯方法（通过计算在已知数据的情况下，哪种模型的后验概率大即选择哪种模型）

更多案例请关注“思享会Club”公众号或者关注思享会博客：http://gkhelp.cn/