1決策樹（Decision Trees）的優缺點

• 決策樹的優點：

一、 決策樹易于理解和解釋.人們在通過解釋后都有能力去理解決策樹所表達的意義。
二、 對于決策樹，數據的準備往往是簡單或者是不必要的.其他的技術往往要求先把數據一般化，比如去掉多余的或者空白的屬性。
三、 能夠同時處理數據型和常規型屬性。其他的技術往往要求數據屬性的單一。
四、 決策樹是一個白盒模型。如果給定一個觀察的模型，那么根據所產生的決策樹很容易推出相應的邏輯表達式。
五、 易于通過靜態測試來對模型進行評測。表示有可能測量該模型的可信度。
六、 在相對短的時間內能夠對大型數據源做出可行且效果良好的結果。
七、 可以對有許多屬性的數據集構造決策樹。
八、 決策樹可很好地擴展到大型數據庫中，同時它的大小獨立于數據庫的大小。

• 決策樹的缺點：

一、 對于那些各類別樣本數量不一致的數據，在決策樹當中,信息增益的結果偏向于那些具有更多數值的特征。
二、 決策樹處理缺失數據時的困難。
三、 過度擬合問題的出現。
四、 忽略數據集中屬性之間的相關性。

2 人工神經網絡的優缺點

• 人工神經網絡的優點：

分類的準確度高,并行分布處理能力強,分布存儲及學習能力強，對噪聲神經有較強的魯棒性和容錯能力，能充分逼近復雜的非線性關系，具備聯想記憶的功能等。

• 人工神經網絡的缺點：

神經網絡需要大量的參數，如網絡拓撲結構、權值和閾值的初始值；不能觀察之間的學習過程，輸出結果難以解釋，會影響到結果的可信度和可接受程度；學習時間過長,甚至可能達不到學習的目的。

3 遺傳算法的優缺點

• 遺傳算法的優點：

一、 與問題領域無關切快速隨機的搜索能力。
二、 搜索從群體出發，具有潛在的并行性，可以進行多個個體的同時比較，魯棒性好。
三、 搜索使用評價函數啟發，過程簡單。
四、 使用概率機制進行迭代，具有隨機性。
五、 具有可擴展性，容易與其他算法結合。

• 遺傳算法的缺點：

一、 遺傳算法的編程實現比較復雜,首先需要對問題進行編碼,找到最優解之后還需要對問題進行解碼,
二、 另外三個算子的實現也有許多參數,如交叉率和變異率,并且這些參數的選擇嚴重影響解的品質,而目前這些參數的選擇大部分是依靠經驗.沒有能夠及時利用網絡的反饋信息,故算法的搜索速度比較慢，要得要較精確的解需要較多的訓練時間。
三、 算法對初始種群的選擇有一定的依賴性，能夠結合一些啟發算法進行改進。

4 KNN算法(K-Nearest Neighbour) 的優缺點

• KNN算法的優點：

一、 簡單、有效。
二、 重新訓練的代價較低（類別體系的變化和訓練集的變化，在Web環境和電子商務應用中是很常見的）。
三、 計算時間和空間線性于訓練集的規模（在一些場合不算太大）。
四、 由于KNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。
五、 該算法比較適用于樣本容量比較大的類域的自動分類，而那些樣本容量較小的類域采用這種算法比較容易產生誤分。

• KNN算法缺點：

一、 KNN算法是懶散學習方法（lazy learning,基本上不學習），一些積極學習的算法要快很多。
二、 類別評分不是規格化的（不像概率評分）。
三、 輸出的可解釋性不強，例如決策樹的可解釋性較強。
四、 該算法在分類時有個主要的不足是，當樣本不平衡時，如一個類的樣本容量很大，而其他類樣本容量很小時，有可能導致當輸入一個新樣本時，該樣本的K個鄰居中大容量類的樣本占多數。該算法只計算“最近的”鄰居樣本，某一類的樣本數量很大，那么或者這類樣本并不接近目標樣本，或者這類樣本很靠近目標樣本。無論怎樣，數量并不能影響運行結果。可以采用權值的方法（和該樣本距離小的鄰居權值大）來改進。
五、 計算量較大。目前常用的解決方法是事先對已知樣本點進行剪輯，事先去除對分類作用不大的樣本。

5 支持向量機（SVM）的優缺點

• SVM的優點：

一、 可以解決小樣本情況下的機器學習問題。
二、 可以提高泛化性能。
三、 可以解決高維問題。
四、 可以解決非線性問題。
五、 可以避免神經網絡結構選擇和局部極小點問題。

• SVM的缺點：

一、 對缺失數據敏感。
二、 對非線性問題沒有通用解決方案，必須謹慎選擇Kernelfunction來處理。

6 樸素貝葉斯的優缺點

• 優點：

一、 樸素貝葉斯模型發源于古典數學理論，有著堅實的數學基礎，以及穩定的分類效率。
二、 NBC模型所需估計的參數很少，對缺失數據不太敏感，算法也比較簡單。

• 缺點：

一、 理論上，NBC模型與其他分類方法相比具有最小的誤差率。但是實際上并非總是如此，這是因為NBC模型假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的（可以考慮用聚類算法先將相關性較大的屬性聚類），這給NBC模型的正確分類帶來了一定影響。在屬性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型。而在屬性相關性較小時，NBC模型的性能最為良好。
二、 需要知道先驗概率。
三、 分類決策存在錯誤率

7 Adaboosting方法的優點

• 優點

一、 adaboost是一種有很高精度的分類器。
二、 可以使用各種方法構建子分類器，Adaboost算法提供的是框架。
三、 當使用簡單分類器時，計算出的結果是可以理解的。而且弱分類器構造極其簡單。
四、 簡單，不用做特征篩選。
五、 不用擔心overfitting。

8 Rocchio的優點

• 優點

Rocchio算法的突出優點是容易實現，計算（訓練和分類）特別簡單，它通常用來實現衡量分類系統性能的基準系統，而實用的分類系統很少采用這種算法解決具體的分類問題。

9 隨機森林算法：

• 優點：

一 在數據集上表現良好，兩個隨機性的引入，使得隨機森林不容易陷入過擬合。
二 在當前的很多數據集上，相對其他算法有著很大的優勢，兩個隨機性的引入，使得隨機森林具有很好的抗噪聲能力。
三 它能夠處理很高維度（feature很多）的數據，并且不用做特征選擇，對數據集的適應能力強：既能處理離散型數據，也能處理連續型數據，數據集無需規范化。
四 在訓練過程中，能夠檢測到feature間的互相影響。
五 對于不平衡的數據，它可以平衡誤差。

• 缺點：

一 在某些噪音較大的分類或回歸問題上會產生過擬合現象。
二 對于有不同取值的屬性的數據，取值劃分較多的屬性會對隨機森林產生更大的影響，所以隨機森林在這種數據上產出的屬性權值是不可行的。

總結

以上是生活随笔為你收集整理的机器学习中各类算法的优缺点比较的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。