機器學習算法的介紹及算法優(yōu)缺點的分析

　　機器學習算法數不勝數，要想找到一個合適的算法并不是一件簡單的事情。通常在對精度要求較高的情況下，最好的方法便是通過交叉驗證來對各個算法一一嘗試，進行比較后再調整參數以確保每個算法都能達到最優(yōu)解，并從優(yōu)中擇優(yōu)。但是每次都進行這一操作不免過于繁瑣，下面小編來分析下各個算法的優(yōu)缺點，以助大家有針對性地進行選擇，解決問題。

　　1.樸素貝葉斯

　　樸素貝葉斯的思想十分簡單，對于給出的待分類項，求出在此項出現(xiàn)的條件下各個類別出現(xiàn)的概率，以概率大小確定分類項屬于哪個類別。

　　優(yōu)點：

　　1）樸素貝葉斯模型發(fā)源于古典數學理論，因此有著堅實的數學基礎，以及穩(wěn)定的分類效率；

　　2）算法較簡單，常用于文本分類；

　　3）對小規(guī)模的數據表現(xiàn)很好，能夠處理多分類任務，適合增量式訓練。

　　缺點：

　　1）需要計算先驗概率；

　　2）對輸入數據的表達形式很敏感；

　　3）分類決策存在錯誤率。

　　2.邏輯回歸

　　優(yōu)點：

　　1）實現(xiàn)簡單，廣泛地應用于工業(yè)問題上；

　　2）可以結合L2正則化解決多重共線性問題；

　　3）分類時計算量非常小，速度很快，存儲資源低；

　　缺點：

　　1）不能很好地處理大量多類特征或變量；

　　2）容易欠擬合，一般準確度較低；

　　3）對于非線性特征，需要進行轉換；

　　4）當特征空間很大時，邏輯回歸的性能不是很好；

　　5）只能處理兩分類問題（在該基礎上衍生出來的softmax可以用于多分類），且必須線性可分。