machine-learning - 机器学习分类器的不同用法

Question

我在机器学习中学习了几个分类器 - 决策树、神经网络、SVM、贝叶斯分类器、K-NN 等。

任何人都可以帮助了解我何时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哪种情况 SVM 可能比贝叶斯更好？

抱歉，如果这不是发布此问题的好地方。

谢谢。

Answer 1

这与数据集的性质极为相关。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。

如果您的数据易于分离（易于区分来自不同类别的条目），那么决策树或 SVM（具有线性内核）可能就足够了。但是，如果您的数据需要转换到其他 [更高] 维空间，则基于内核的分类器可能会运行良好，例如 RBF SVM。SVM 还可以更好地处理非冗余、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。

再一次，这是非常主观的，并且很大程度上取决于您的功能集。例如，具有与类高度相关的单个特征可能决定哪个分类器效果最好。也就是说，总的来说，没有免费午餐定理说没有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。