机器学习算法优缺点对比及选择（汇总篇）

其中的n代表有n个分类类别（比如假设是二类问题，那么n=2）。分别计算这2类样本在总样本中出现的概率

和

，这样就可以计算出未选中属性分枝前的信息熵。

现在选中一个属性

用来进行分枝，此时分枝规则是：如果

的话，将样本分到树的一个分支；如果不相等则进入另一个分支。很显然，分支中的样本很有可能包括2个类别，分别计算这2个分支的熵

和

,计算出分枝后的总信息熵

，则此时的信息增益

。以信息增益为原则，把所有的属性都测试一边，选择一个使增益最大的属性作为本次分枝属性。

决策树自身的优点

1. 决策树易于理解和解释，可以可视化分析，容易提取出规则；

2. 可以同时处理标称型和数值型数据；

3. 比较适合处理有缺失属性的样本；

4. 能够处理不相关的特征；

5. 测试数据集时，运行速度比较快；

6. 在相对短的时间内能够对大型数据源做出可行且效果良好的结果。

缺点

1. 容易发生过拟合（随机森林可以很大程度上减少过拟合）；

2. 容易忽略数据集中属性的相互关联；

3. 对于那些各类别样本数量不一致的数据，在决策树中，进行属性划分时，不同的判定准则会带来不同的属性选择倾向；信息增益准则对可取数目较多的属性有所偏好（典型代表ID3算法），而增益率准则（CART）则对可取数目较少的属性有所偏好，但CART进行属性划分时候不再简单地直接利用增益率尽心划分，而是采用一种启发式规则）（只要是使用了信息增益，都有这个缺点，如RF）。

4. ID3算法计算信息增益时结果偏向数值比较多的特征。

改进措施

1. 对决策树进行剪枝。可以采用交叉验证法和加入正则化的方法；

2. 使用基于决策树的combination算法，如bagging算法，randomforest算法，可以解决过拟合的问题。

应用领域

企业管理实践，企业投资决策，由于决策树很好的分析能力，在决策过程应用较多。

3.5.1 ID3、C4.5算法

ID3算法是以信息论为基础，以信息熵和信息增益度为衡量标准，从而实现对数据的归纳分类。ID3算法计算每个属性的信息增益，并选取具有最高增益的属性作为给定的测试属性。C4.5算法核心思想是ID3算法，是ID3算法的改进，改进方面有： - 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足； - 在树构造过程中进行剪枝； - 能处理非离散的数据； - 能处理不完整的数据。

优点

产生的分类规则易于理解，准确率较高。

缺点

1. 在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效；

2. C4.5只适合于能够驻留于内存的数据集，当训练集大得无法在内存容纳时程序无法运行。

3.5.2 CART分类与回归树

是一种决策树分类方法，采用基于最小距离的基尼指数估计函数，用来决定由该子数据集生成的决策树的拓展形。如果目标变量是标称的，称为分类树；如果目标变量是连续的，称为回归树。分类树是使用树结构算法将数据分成离散类的方法。

优点

1. 非常灵活，可以允许有部分错分成本，还可指定先验概率分布，可使用自动的成本复杂性剪枝来得到归纳性更强的树；

2. 在面对诸如存在缺失值、变量数多等问题时CART 显得非常稳健。

3.6 Adaboosting

Adaboost是一种加和模型，每个模型都是基于上一次模型的错误率来建立的，过分关注分错的样本，而对正确分类的样本减少关注度，逐次迭代之后，可以得到一个相对较好的模型。该算法是一种典型的boosting算法，其加和理论的优势可以使用Hoeffding不等式得以解释。

优点

1. Adaboost是一种有很高精度的分类器；

2. 可以使用各种方法构建子分类器，Adaboost算法提供的是框架；

3. 当使用简单分类器时，计算出的结果是可以理解的，并且弱分类器的构造极其简单；

4. 简单，不用做特征筛选；

5. 不易发生overfitting。

缺点

对outlier比较敏感。

3.7 SVM支持向量机

支持向量机，一个经久不衰的算法，高准确率，为避免过拟合提供了很好的理论保证，而且就算数据在原特征空间线性不可分，只要给个合适的核函数，它就能运行得很好。在动辄超高维的文本分类问题中特别受欢迎。可惜内存消耗大，难以解释，运行和调参也有些烦人，而随机森林却刚好避开了这些缺点，比较实用。

优点

1. 可以解决高维问题，即大型特征空间；

2. 解决小样本下机器学习问题；

3. 能够处理非线性特征的相互作用；

4. 无局部极小值问题；（相对于神经网络等算法）

5. 无需依赖整个数据；

6. 泛化能力比较强。

缺点

1. 当观测样本很多时，效率并不是很高；

2. 对非线性问题没有通用解决方案，有时候很难找到一个合适的核函数；

3. 对于核函数的高维映射解释力不强，尤其是径向基函数；

4. 常规SVM只支持二分类；

5. 对缺失数据敏感。

对于核的选择也是有技巧的（libsvm中自带了四种核函数：线性核、多项式核、RBF以及sigmoid核）：

第一，如果样本数量小于特征数，那么就没必要选择非线性核，简单的使用线性核就可以了；

第二，如果样本数量大于特征数目，这时可以使用非线性核，将样本映射到更高维度，一般可以得到更好的结果；

第三，如果样本数目和特征数目相等，该情况可以使用非线性核，原理和第二种一样。

对于第一种情况，也可以先对数据进行降维，然后使用非线性核，这也是一种方法。

SVM应用领域

文本分类、图像识别（主要二分类领域，毕竟常规SVM只能解决二分类问题）

3.8 人工神经网络的优缺点

人工神经网络的优点：

1. 分类的准确度高；

2. 并行分布处理能力强,分布存储及学习能力强；

3. 对噪声神经有较强的鲁棒性和容错能力；

4. 具备联想记忆的功能，能充分逼近复杂的非线性关系。

人工神经网络的缺点：

1. 神经网络需要大量的参数，如网络拓扑结构、权值和阈值的初始值；

2. 黑盒过程，不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度；

3. 学习时间过长，有可能陷入局部极小值，甚至可能达不到学习的目的。

人工神经网络应用领域：

目前深度神经网络已经应用与计算机视觉，自然语言处理，语音识别等领域并取得很好的效果。

3.9 K-Means聚类

是一个简单的聚类算法，把n的对象根据他们的属性分为k个分割，k< n。 算法的核心就是要优化失真函数J,使其收敛到局部最小值但不是全局最小值。

关于K-Means聚类的文章，参见机器学习算法-K-means聚类。关于K-Means的推导，里面可是有大学问的，蕴含着强大的EM思想。

优点

1. 算法简单，容易实现 ；

2. 算法速度很快；

3. 对处理大数据集，该算法是相对可伸缩的和高效率的，因为它的复杂度大约是O(nkt)，其中n是所有对象的数目，k是簇的数目,t是迭代的次数。通常k<<n。这个算法通常局部收敛；

4. 算法尝试找出使平方误差函数值最小的k个划分。当簇是密集的、球状或团状的，且簇与簇之间区别明显时，聚类效果较好。

缺点

1. 对数据类型要求较高，适合数值型数据；

2. 可能收敛到局部最小值，在大规模数据上收敛较慢；

3. 分组的数目k是一个输入参数，不合适的k可能返回较差的结果；

4. 对初值的簇心值敏感，对于不同的初始值，可能会导致不同的聚类结果；

5. 不适合于发现非凸面形状的簇，或者大小差别很大的簇；

6. 对于”噪声”和孤立点数据敏感，少量的该类数据能够对平均值产生极大影响。

3.10 EM最大期望算法

EM算法是基于模型的聚类方法，是在概率模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量。E步估计隐含变量，M步估计其他参数，交替将极值推向最大。

EM算法比K-means算法计算复杂，收敛也较慢，不适于大规模数据集和高维数据，但比K-means算法计算结果稳定、准确。EM经常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域。

3.11 集成算法（AdaBoost算法）

AdaBoost算法优点：

1. 很好的利用了弱分类器进行级联；

2. 可以将不同的分类算法作为弱分类器；

3. AdaBoost具有很高的精度；

4. 相对于bagging算法和Random Forest算法，AdaBoost充分考虑的每个分类器的权重。

Adaboost算法缺点：

1. AdaBoost迭代次数也就是弱分类器数目不太好设定，可以使用交叉验证来进行确定；

2. 数据不平衡导致分类精度下降；

3. 训练比较耗时，每次重新选择当前分类器最好切分点。

AdaBoost应用领域：

模式识别、计算机视觉领域，用于二分类和多分类场景

3.12 排序算法（PageRank）

PageRank是google的页面排序算法，是基于从许多优质的网页链接过来的网页，必定还是优质网页的回归关系，来判定所有网页的重要性。（也就是说，一个人有着越多牛X朋友的人，他是牛X的概率就越大。）

PageRank优点

完全独立于查询，只依赖于网页链接结构，可以离线计算。

PageRank缺点

1. PageRank算法忽略了网页搜索的时效性；

2. 旧网页排序很高，存在时间长，积累了大量的in-links，拥有最新资讯的新网页排名却很低，因为它们几乎没有in-links。

3.13 关联规则算法（Apriori算法）

Apriori算法是一种挖掘关联规则的算法，用于挖掘其内含的、未知的却又实际存在的数据关系，其核心是基于两阶段频集思想的递推算法 。

Apriori算法分为两个阶段：

1. 寻找频繁项集；

2. 由频繁项集找关联规则。

算法缺点：

1. 在每一步产生侯选项目集时循环产生的组合过多，没有排除不应该参与组合的元素；

2. 每次计算项集的支持度时，都对数据库中 的全部记录进行了一遍扫描比较，需要很大的I/O负载。

4. 算法选择参考

之前笔者翻译过一些国外的文章，其中有一篇文章中给出了一个简单的算法选择技巧：

1. 首当其冲应该选择的就是逻辑回归，如果它的效果不怎么样，那么可以将它的结果作为基准来参考，在基础上与其他算法进行比较；

2. 然后试试决策树（随机森林）看看是否可以大幅度提升你的模型性能。即便最后你并没有把它当做为最终模型，你也可以使用随机森林来移除噪声变量，做特征选择；

3. 如果特征的数量和观测样本特别多，那么当资源和时间充足时（这个前提很重要），使用SVM不失为一种选择。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!