어플리케이션에 가장 적합한 2 등급 분류기는 무엇입니까? [닫은]

규칙 :

• 답변 당 하나의 분류 자
• 동의하면 투표
• 중복을 제거 / 제거합니다.
• 의견에 당신의 응용 프로그램을 넣어

임의의 숲

• 복잡한 구조 / 비선형 관계를 쉽게 포착
• 변수 척도에 불변
• 범주 형 예측 변수에 대한 더미 변수를 만들 필요가 없습니다.
• 변수 선택은별로 필요하지 않습니다
• 과적 합하기 어려운

로지스틱 회귀 :

• 대부분의 데이터 세트에서 빠르고 우수한 성능
• 튜닝 할 매개 변수가 거의 없음
• 불연속 / 연속 기능 모두 처리
• 모델은 쉽게 해석 가능
• (실제로 이진 분류로 제한되지 않음)

벡터 기계 지원

시끄러운 데이터의 감독 문제에 대한 정기적 인 판별

1. 계산 효율
2. 데이터의 노이즈 및 이상치에 강함
3. LD (Linear Discriminant) 및 QD (Quadratic Discriminant) 분류기 모두 동일한 구현에서 LD 분류기의 경우 정규화 매개 변수 '[lambda, r]'을 '[1 0]', '[0 0]'을 설정하여 동일한 구현에서 얻을 수 있습니다. QD 분류기-참조 목적으로 매우 유용합니다.
4. 해석 및 내보내기가 쉬운 모델
5. 클래스 공분산 행렬이 잘 정의되지 않은 희소 및 '와이드'데이터 세트에 적합합니다.
6. 각 클래스의 판별 값에 softmax 함수를 적용하여 각 샘플에 대한 사후 클래스 확률의 추정치를 추정 할 수 있습니다.

Friedman 등의 1989 원본에 링크 하십시오 . 또한 Kuncheva의 저서 " Combining pattern classifiers " 에 대한 설명이 아주 좋습니다 .

그라디언트 부스트 트리.

• 많은 응용 분야에서 최소한 RF만큼 정확
• 결 측값을 완벽하게 통합
• Var의 중요성 (RF는 지속적이고 많은 수준의 명목상의 편의를 위해 편향 될 수 있음)
• 부분 의존도
• R에서 GBM과 randomForest : 더 큰 데이터 세트를 처리합니다.

가우시안 프로세스 분류기 -확률 적 예측을 제공합니다 (작동 상대 클래스 주파수가 훈련 세트의 주파수와 다르거 나 위양성 / 거짓 음수 비용을 알 수 없거나 가변적 일 때 유용함). 또한 유한 데이터 세트에서 "모델 추정"의 불확실성으로 인해 모델 예측에서 불확실성을 비활성화합니다. 공분산 함수는 SVM의 커널 함수와 동일하므로 벡터가 아닌 데이터 (예 : 문자열 또는 그래프 등)에서 직접 작동 할 수도 있습니다. 수학적 프레임 워크도 깔끔합니다 (하지만 Laplace 근사값은 사용하지 마십시오). 한계 우도를 최대화하여 자동 모델 선택.

로지스틱 회귀 및 SVM의 우수한 기능을 기본적으로 결합합니다.

L1 정규화 된 로지스틱 회귀.

• 계산 속도가 빠릅니다.
• 직관적 인 해석이 있습니다.
• 크로스 밸리데이션에 의해 자동으로 조정될 수있는 이해하기 쉬운 하이퍼 파라미터가 하나 뿐이며, 이는 종종 좋은 방법입니다.
• 계수는 선형으로 표시되며 하이퍼 파라미터와의 관계는 간단한 도표로 즉각적이고 쉽게 표시됩니다.
• 변수 선택을위한 덜 모호한 방법 중 하나입니다.
• 또한 정말 멋진 이름이 있습니다.

kNN

나이브 베이 와 랜덤 나이브 베이

비지도 학습을위한 K- 평균 군집.