常见算法的优缺点比较

 行业新闻     |      2021-03-07 16:45
本文摘要:深度学习算法不计其数,要要想找寻一个合适的算法并并不是一件比较简单的事儿。一般来说在对精密度回绝较高的状况下,最烂的方式原是根据交叉式检测来对每个算法一一试着,展开比较后再作调节主要参数以确保每一个算法都能超出线性拟合打法,并物超所值中挑选。 可是每一次都展开这一作业者免不了太过繁杂,下边我来剖析下每个算法的优点和缺点,以助大伙儿有目的性地展开随意选择,解决困难。

华体会官网

华体会

深度学习算法不计其数,要要想找寻一个合适的算法并并不是一件比较简单的事儿。一般来说在对精密度回绝较高的状况下,最烂的方式原是根据交叉式检测来对每个算法一一试着,展开比较后再作调节主要参数以确保每一个算法都能超出线性拟合打法,并物超所值中挑选。

可是每一次都展开这一作业者免不了太过繁杂,下边我来剖析下每个算法的优点和缺点,以助大伙儿有目的性地展开随意选择,解决困难。  1.朴素贝叶斯  朴素贝叶斯的观念十分比较简单,针对得到的待分类项,计算在该项经常会出现的标准下每个类型经常会出现的几率,以几率尺寸确定分类项属于哪一个类型。

  优势:  1)朴素贝叶斯实体模型起源于古典风格数学课基础理论,因而具备扎扎实实的基础数学,及其稳定的分类高效率;  2)算法较比较简单,常见于文字分类;  3)对小规模纳税人的数据信息展示出很好,必须处置多分类每日任务,适合增加量式训炼。  缺陷:  1)务必推算出来先验概率;  2)对輸出数据信息的表达方式很敏感;  3)分类管理决策不会有差错率。

华体会

  2.逻辑性重回  优势:  1)搭建比较简单,广泛地运用于工业生产难题上;  2)能够结合L2正则化解决困难多重共线性难题;  3)分类时推算出来量十分小,速率快速,服务器资源较低;  缺陷:  1)没法很好地处置很多多类特点或自变量;  2)更非常容易出不来标值,一般精确度较低;  3)针对离散系统特点,务必展开转换;  4)当特点室内空间非常大时,逻辑性重回的特性并不是很好;  5)不可以处置两分类难题(在该基本上继承出去的softmax能够作为多分类),且必不可少线形可分。


本文关键词:常见,算法,的,优缺点,比较,深度,学习,华体会,算法

本文来源:华体会-www.kristinelevine.com