机器学习分类器的不同用法

Question

我在机器学习中学到了几个分类器 - 决策树，神经网络，SVM，贝叶斯分类器，K-NN等等。

任何人都可以帮助理解何时我应该更喜欢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？

很抱歉，如果这不是发布此问题的好地方。

感谢。

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你使用哪种分类器，但通常没有黄金法则。

如果您的数据很容易分离（很容易区分不同类的条目），那么决策树或SVM（带有线性内核）就足够了。但是，如果您的数据需要转换为其他[更高]维度空间，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的独立功能。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。

然而，这是非常主观的，并且在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确定哪个分类器最佳。也就是说，总的来说，无免费午餐定理说没有分类器对所有东西都更好，但SVM通常被认为是目前二进制分类的最佳选择。