1. 程式人生 > >常見分類演算法優缺點

常見分類演算法優缺點

1決策樹(Decision Trees)的優缺點

決策樹的優點:

一、           決策樹易於理解和解釋.人們在通過解釋後都有能力去理解決策樹所表達的意義。

二、           對於決策樹,資料的準備往往是簡單或者是不必要的.其他的技術往往要求先把資料一般化,比如去掉多餘的或者空白的屬性。

三、           能夠同時處理資料型和常規型屬性。其他的技術往往要求資料屬性的單一。

四、           決策樹是一個白盒模型。如果給定一個觀察的模型,那麼根據所產生的決策樹很容易推出相應的邏輯表示式。

五、           易於通過靜態測試來對模型進行評測。表示有可能測量該模型的可信度。

六、          在相對短的時間內能夠對大型資料來源做出可行且效果良好的結果。

七、           可以對有許多屬性的資料集構造決策樹。

八、           決策樹可很好地擴充套件到大型資料庫中,同時它的大小獨立於資料庫的大小。

決策樹的缺點:

一、           對於那些各類別樣本數量不一致的資料,在決策樹當中,資訊增益的結果偏向於那些具有更多數值的特徵。

二、           決策樹處理缺失資料時的困難。

三、           過度擬合問題的出現。

四、           忽略資料集中屬性之間的相關性。



2 人工神經網路的優缺點

人工神經網路的優點:分類的準確度高,並行分佈處理能力強,分佈儲存及學習能力強,對噪聲神經有較強的魯棒性和容錯能力,能充分逼近複雜的非線性關係,具備聯想記憶的功能等。

人工神經網路的缺點:神經網路需要大量的引數,如網路拓撲結構、權值和閾值的初始值;不能觀察之間的學習過程,輸出結果難以解釋,會影響到結果的可信度和可接受程度;學習時間過長,甚至可能達不到學習的目的。




3 遺傳演算法的優缺點

遺傳演算法的優點:

一、           與問題領域無關切快速隨機的搜尋能力。

二、           搜尋從群體出發,具有潛在的並行性,可以進行多個個體的同時比較,魯棒性好。

三、           搜尋使用評價函式啟發,過程簡單。

四、           使用概率機制進行迭代,具有隨機性。

五、           具有可擴充套件性,容易與其他演算法結合。

遺傳演算法的缺點:

一、           遺傳演算法的程式設計實現比較複雜,首先需要對問題進行編碼,找到最優解之後還需要對問題進行解碼,

二、           另外三個運算元的實現也有許多引數,如交叉率和變異率,並且這些引數的選擇嚴重影響解的品質,而目前這些引數的選擇大部分是依靠經驗.沒有能夠及時利用網路的反饋資訊,故演算法的搜尋速度比較慢,要得要較精確的解需要較多的訓練時間。

三、           演算法對初始種群的選擇有一定的依賴性,能夠結合一些啟發演算法進行改進。



4 KNN演算法(K-Nearest Neighbour) 的優缺點

KNN演算法的優點:

一、          簡單、有效。

二、          重新訓練的代價較低(類別體系的變化和訓練集的變化,在Web環境和電子商務應用中是很常見的)。

三、          計算時間和空間線性於訓練集的規模(在一些場合不算太大)。

四、           由於KNN方法主要靠周圍有限的鄰近的樣本,而不是靠判別類域的方法來確定所屬類別的,因此對於類域的交叉或重疊較多的待分樣本集來說,KNN方法較其他方法更為適合。

五、           該演算法比較適用於樣本容量比較大的類域的自動分類,而那些樣本容量較小的類域採用這種演算法比較容易產生誤分。

KNN演算法缺點:

一、           KNN演算法是懶散學習方法(lazy learning,基本上不學習),一些積極學習的演算法要快很多。

二、           類別評分不是規格化的(不像概率評分)。

三、           輸出的可解釋性不強,例如決策樹的可解釋性較強。

四、           該演算法在分類時有個主要的不足是,當樣本不平衡時,如一個類的樣本容量很大,而其他類樣本容量很小時,有可能導致當輸入一個新樣本時,該樣本的K個鄰居中大容量類的樣本佔多數。該演算法只計算“最近的”鄰居樣本,某一類的樣本數量很大,那麼或者這類樣本並不接近目標樣本,或者這類樣本很靠近目標樣本。無論怎樣,數量並不能影響執行結果。可以採用權值的方法(和該樣本距離小的鄰居權值大)來改進。

五、           計算量較大。目前常用的解決方法是事先對已知樣本點進行剪輯,事先去除對分類作用不大的樣本。




5 支援向量機(SVM)的優缺點

SVM的優點:

一、           可以解決小樣本情況下的機器學習問題。

二、           可以提高泛化效能。

三、           可以解決高維問題。

四、           可以解決非線性問題。

五、           可以避免神經網路結構選擇和區域性極小點問題。

SVM的缺點:

一、           對缺失資料敏感。

二、           對非線性問題沒有通用解決方案,必須謹慎選擇Kernelfunction來處理。



6 樸素貝葉斯的優缺點

優點:

一、           樸素貝葉斯模型發源於古典數學理論,有著堅實的數學基礎,以及穩定的分類效率。

二、           NBC模型所需估計的引數很少,對缺失資料不太敏感,演算法也比較簡單。

缺點:

一、           理論上,NBC模型與其他分類方法相比具有最小的誤差率。但是實際上並非總是如此,這是因為NBC模型假設屬性之間相互獨立,這個假設在實際應用中往往是不成立的(可以考慮用聚類演算法先將相關性較大的屬性聚類),這給NBC模型的正確分類帶來了一定影響。在屬性個數比較多或者屬性之間相關性較大時,NBC模型的分類效率比不上決策樹模型。而在屬性相關性較小時,NBC模型的效能最為良好。

二、           需要知道先驗概率。

三、           分類決策存在錯誤率



7 Adaboosting方法的優點

一、           adaboost是一種有很高精度的分類器。

二、           可以使用各種方法構建子分類器,Adaboost演算法提供的是框架。

三、           當使用簡單分類器時,計算出的結果是可以理解的。而且弱分類器構造極其簡單。

四、           簡單,不用做特徵篩選。

五、           不用擔心overfitting。



8 Rocchio的優點

Rocchio演算法的突出優點是容易實現,計算(訓練和分類)特別簡單,它通常用來實現衡量分類系統性能的基準系統,而實用的分類系統很少採用這種演算法解決具體的分類問題。




9各種分類演算法比較

根據這篇論文所得出的結論,

Calibrated boosted trees的效能最好,隨機森林第二,uncalibrated bagged trees第三,calibratedSVMs第四, uncalibrated neural nets第五。

    效能較差的是樸素貝葉斯,決策樹。

    有些演算法在特定的資料集下表現較好。