优点:实现简单,计算简单;
缺点:不能拟合非线性数据.
4.最近领算法——KNN
KNN即最近邻算法,其主要过程为:
计算训练样本和测试样本中每个样本点的距离(常见的距离度量有欧式距离,马氏距离等);
对上面所有的距离值进行排序;
选前k个最小距离的样本;
根据这k个样本的标签进行投票,得到最后的分类类别;
如何选择一个最佳的K值,这取决于数据。一般情况下,在分类时较大的K值能够减小噪声的影响。但会使类别之间的界限变得模糊。一个较好的K值可通过各种启发式技术来获取,比如,交叉验证。另外噪声和非相关性特征向量的存在会使K近邻算法的准确性减小。
近邻算法具有较强的一致性结果。随着数据趋于无限,算法保证错误率不会超过贝叶斯算法错误率的两倍。对于一些好的K值,K近邻保证错误率不会超过贝叶斯理论误差率。
KNN算法的优点
· 理论成熟,思想简单,既可以用来做分类也可以用来做回归;
· 可用于非线性分类;
· 训练时间复杂度为O(n);
· 对数据没有假设,准确度高,对outlier不敏感;
缺点
· 计算量大;
· 样本不平衡问题(即有些类别的样本数量很多,而其它样本的数量很少);
· 需要大量的内存;
5.决策树
易于解释。它可以毫无压力地处理特征间的交互关系并且是非参数化的,因此你不必担心异常值或者数据是否线性可分(举个例子,决策树能轻松处理好类别A在某个特征维度x的末端,类别B在中间,然后类别A又出现在特征维度x前端的情况)。它的缺点之一就是不支持在线学习,于是在新样本到来后,决策树需要全部重建。另一个缺点就是容易出现过拟合,但这也就是诸如随机森林RF(或提升树boostedtree)之类的集成方法的切入点。另外,随机森林经常是很多分类问题的赢家(通常比支持向量机好上那么一丁点),它训练快速并且可调,同时你无须担心要像支持向量机那样调一大堆参数,所以在以前都一直很受欢迎。
决策树中很重要的一点就是选择一个属性进行分枝,因此要注意一下信息增益的计算公式,并深入理解它。
信息熵的计算公式如下:
其中的n代表有n个分类类别(比如假设是2类问题,那么n=2)。分别计算这2类样本在总样本中出现的概率p1和p2,这样就可以计算出未选中属性分枝前的信息熵。
现在选中一个属性xixi用来进行分枝,此时分枝规则是:如果xi=vxi=v的话,将样本分到树的一个分支;如果不相等则进入另一个分支。很显然,分支中的样本很有可能包括2个类别,分别计算这2个分支的熵H1和H2,计算出分枝后的总信息熵H’=p1H1+p2H2,则此时的信息增益ΔH=H–H’。以信息增益为原则,把所有的属性都测试一边,选择一个使增益最大的属性作为本次分枝属性。
决策树自身的优点
· 计算简单,易于理解,可解释性强;
· 比较适合处理有缺失属性的样本;
· 能够处理不相关的特征;
· 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。
缺点
· 容易发生过拟合(随机森林可以很大程度上减少过拟合);
· 忽略了数据之间的相关性;
· 对于那些各类别样本数量不一致的数据,在决策树当中,信息增益的结果偏向于那些具有更多数值的特征(只要是使用了信息增益,都有这个缺点,如RF)。
5.1Adaboosting
Adaboost是一种加和模型,每个模型都是基于上一次模型的错误率来建立的,过分关注分错的样本,而对正确分类的样本减少关注度,逐次迭代之后,可以得到一个相对较好的模型。是一种典型的boosting算法。下面是总结下它的优缺点。
优点
· adaboost是一种有很高精度的分类器。
· 可以使用各种方法构建子分类器,Adaboost算法提供的是框架。
· 当使用简单分类器时,计算出的结果是可以理解的,并且弱分类器的构造极其简单。
· 简单,不用做特征筛选。
· 不容易发生overfitting。
关于随机森林和GBDT等组合算法,参考这篇文章:机器学习-组合算法总结
缺点:对outlier比较敏感
6.SVM支持向量机
高准确率,为避免过拟合提供了很好的理论保证,而且就算数据在原特征空间线性不可分,只要给个合适的核函数,它就能运行得很好。在动辄超高维的文本分类问题中特别受欢迎。可惜内存消耗大,难以解释,运行和调参也有些烦人,而随机森林却刚好避开了这些缺点,比较实用。
优点
· 可以解决高维问题,即大型特征空间;
· 能够处理非线性特征的相互作用;
· 无需依赖整个数据;
· 可以提高泛化能力;