常见算法的优缺点比较

机器学习算法数不胜数，要想要寻找一个适合的算法并不是一件非常简单的事情。一般来说在对精度拒绝较高的情况下，最差的方法乃是通过交叉检验来对各个算法一一尝试，展开较为后再行调整参数以保证每个算法都能超过拟合解法，并从优中筛选。

但是每次都展开这一操作者不免过分繁复，下面小编来分析下各个算法的优缺点，以助大家有针对性地展开自由选择，解决问题。　　1.朴素贝叶斯　　朴素贝叶斯的思想十分非常简单，对于得出的待分类项，算出在此项经常出现的条件下各个类别经常出现的概率，以概率大小确认分类项归属于哪个类别。　　优点：　　1）朴素贝叶斯模型发源于古典数学理论，因此具有扎实的数学基础，以及平稳的分类效率；　　2）算法较非常简单，常用于文本分类；　　3）对小规模的数据展现出很好，需要处置多分类任务，合适增量式训练。　　缺点：　　1）必须计算出来先验概率；　　2）对输出数据的表达形式很脆弱；　　3）分类决策不存在错误率。

　　2.逻辑重返　　优点：　　1）构建非常简单，普遍地应用于工业问题上；　　2）可以融合L2正则化解决问题多重共线性问题；　　3）分类时计算出来量十分小，速度迅速，存储资源较低；　　缺点：　　1）无法很好地处置大量多类特征或变量；　　2）更容易不出数值，一般准确度较低；　　3）对于非线性特征，必须展开切换；　　4）当特征空间相当大时，逻辑重返的性能不是很好；　　5）不能处置两分类问题（在该基础上派生出来的softmax可以用作多分类），且必需线性可分。

本文来源：开元ky官网-www.mulletsonline.com