SVM和随机森林的特点归纳

SVM

1.解决小样本下机器学习问题（不像深度学习一样，依赖海量数据）

2.可以解决高维问题，即大型特征空间（借助核函数）；但当样本很多时，效率并不是很高

3.SVM的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数

4.无需依赖整个数据，无局部极小值问题；但SVM算法对大规模训练样本难以实施

5.能够处理非线性特征的相互作用，对于核函数的高维映射可解释性不强，尤其是径向基函数

随机深林

1.简单，容易实现，计算开销小，并且它在很多现实任务中展现出来了强大的性能

2.它能够处理很高维度（特征很多）的数据，并且不用做特征选择（可以随机选择各种特征）

3.训练速度快，容易做成并行化方法

4. 在训练完后，它能够给出哪些feature比较重要

5.在创建随机森林的时候，对generlization error使用的是无偏估计，模型泛化能力强

6.对于不平衡的数据集来说，它可以平衡误差；如果有很大一部分的特征遗失，仍可以维持准确度。