機器學習分類器的不同用法

Question

我在機器學習 - 決策樹，神經網絡，支持向量機，貝葉斯分類器，K-NN等學習過幾個分類器。

任何人都可以請幫助理解何時我應該更喜歡其中一個分類器 - 例如 - 在哪種情況下（數據集的性質等）我應該更喜歡神經網絡上的決策樹或哪種情況下SVM可能更好地工作比貝葉斯？

對不起，如果這不是一個好地方發表這個問題。

謝謝。

Answer 1

這與數據集的性質極其相關。有幾種元學習方法可以告訴你使用哪種分類器，但通常不存在黃金法則。

如果你的數據很容易分離（容易區分不同類別的條目），也許決策樹或SVM（帶線性內核）就足夠好了。但是，如果您的數據需要轉換爲其他[更高]維空間，基於內核的分類器可能會運行良好，例如RBF SVM。 SVM在非冗餘獨立功能下也可以更好地工作。當需要特徵之間的組合時，人工神經網絡和貝葉斯分類器也可以很好地工作。

再次，這是非常主觀的，很大程度上取決於您的功能集。例如，擁有與該類高度相關的單個功能可能會確定哪個分類器效果最好。也就是說，總體而言，無免費午餐定理指出，沒有任何分類器對任何事物都有好處，但支持向量機通常被認爲是二元分類當前最好的選擇。