machine-learning - 机器学习分类器的不同用法

Question

关闭。这个问题需要多问 focused 。目前不接受答案。

---

想要改进此问题吗？更新问题，使其仅关注一个问题 editing this post .

已关闭 9 年前。

Improve this question

我学习了机器学习中的几种分类器 - 决策树、神经网络、SVM、贝叶斯分类器、K-NN...等。

任何人都可以帮助理解什么时候我应该更喜欢其中一个分类器而不是其他分类器 - 例如 - 在哪种情况下(数据集的性质等)我应该更喜欢决策树而不是神经网络，或者哪种情况 SVM 可能比其他分类器更好贝叶斯？？

很抱歉，如果这不是发布此问题的好地方。

谢谢。

Answer 1

这与数据集的性质密切相关。有几种元学习方法可以告诉您使用哪个分类器，但通常没有黄金法则。

如果你的数据很容易分离(很容易区分不同类别的条目)，也许决策树或 SVM(具有线性内核)就足够了。但是，如果您的数据需要转换为其他[更高]维空间，基于内核的分类器可能会很好用，例如 RBF SVM。 SVM 还可以更好地使用非冗余、独立的功能。当需要特征之间的组合时，人工神经网络和贝叶斯分类器也能很好地工作。

同样，这是非常主观的，并且很大程度上取决于您的功能集。例如，拥有与类别高度相关的单个特征可能会决定哪个分类器效果最好。也就是说，总的来说，天下没有免费的午餐定理说没有哪个分类器对所有事情都更好，但 SVM 通常被认为是当前二元分类的最佳选择。