machine-learning - SVM 相对于决策树和 AdaBoost 算法的优势

Question

我正在研究数据的二进制分类，我想知道在决策树和自适应提升算法上使用支持向量机的优缺点。

Answer 1

你可能想做的是使用weka，这是一个很好的包，你可以用它来插入你的数据，然后尝试一堆不同的机器学习分类器，看看每个分类器在你的特定集合上是如何工作的。对于从事机器学习的人来说，这是一条良好的道路。

对您的特定数据或您要解决的分类问题一无所知，我真的不能仅仅告诉您我对每种方法的了解的随机事情。也就是说，这里有一个大脑转储和一些有用的机器学习幻灯片的链接。

Adaptive Boosting使用弱基分类器委员会对样本点的类别分配进行投票。基分类器可以是决策树桩、决策树、SVM 等。它采用迭代方法。在每次迭代中 - 如果委员会对特定样本的类别分配达成一致并更正，那么它的权重会降低（在下一次迭代中正确变得不那么重要），如果委员会不同意，那么它变成上加权（更重要的是在下一次迭代中正确分类）。Adaboost 以具有良好的泛化性（不是过度拟合）而闻名。

SVM是有用的第一次尝试。此外，您可以将不同的内核与 SVM 一起使用，不仅可以获得线性决策边界，还可以获得更时髦的决策边界。而且，如果您对其进行 L1 正则化（松弛变量），那么您不仅可以防止过度拟合，而且还可以对不可分离的数据进行分类。

决策树之所以有用，是因为它们几乎可以被任何人解释。它们易于使用。使用树还意味着您还可以了解特定功能对于制作树的重要性。您可能想要检查的是加法树（如MART）。