機器學習中幾個常見模型的優缺點

樸素貝葉斯:優點:對小規模的數據表現很好,適合多分類任務,適合增量式訓練。 缺點:對輸入數據的表達形式很敏感(連續數據的處理方式)。 決策樹:優點:計算量簡單,可解釋性強,比較適合處理有缺失屬性值的樣本,能夠處理不相關的特徵。缺點:容易過擬合(後續出現了隨機森林,減小了過擬合現象)。 邏輯迴歸:優點:實現簡單,分類時計算量非常小,速度很快,存儲資源低。缺點:容易欠擬合,一般準確度不高;只能處理二分
相關文章
相關標籤/搜索