说明: 根据日常项目经验整理, 有些本人不常用的信息可能不是很全. 欢迎补充
一.监督学习算法
|
K-近邻 |
线性模型 |
朴素贝叶斯 |
说明 |
|
1.尤其是回归模型中正则化的调节非常重要 |
1. |
参数 |
|
1.alpha/C正则化参数 |
1. |
优点 |
|
|
|
缺点 |
|
|
01.泛华能力稍差 |
|
不适用于高维稀疏数据 |
适用于高维稀疏数据 |
适用于高维稀疏数据 |
注: 朴素贝叶斯的许多优点和缺点都与线性模型相同.
(未完成: 线性模型拆分)
|
DT(决策树) |
RF(随机森林) |
GBDT(梯度回升回归树) |
说明 |
控制复杂度的方法:预剪枝和后剪枝 |
本质上是随机的;树越多,对随机状态选择的鲁棒性就越好
|