Jaki jest najlepszy gotowy do użycia 2-klasowy klasyfikator dla Twojej aplikacji? [Zamknięte]

Zasady:

• jeden klasyfikator na odpowiedź
• głosuj, jeśli się zgadzasz
• przegłosuj / usuń duplikaty.
• umieść swoją aplikację w komentarzu

Losowy las

• łatwo wychwytuje skomplikowaną relację struktura / nieliniowość
• niezmienny w skali zmiennych
• nie ma potrzeby tworzenia zmiennych zastępczych dla predyktorów jakościowych
• wybór zmiennych nie jest zbyt potrzebny
• stosunkowo trudny do przebrania

Regresja logistyczna :

• szybko i dobrze działa na większości zestawów danych
• prawie żadnych parametrów do dostrojenia
• obsługuje obie funkcje dyskretne / ciągłe
• model jest łatwo interpretowalny
• (tak naprawdę nie ogranicza się do klasyfikacji binarnych)

Maszyna wektorów nośnych

Regularny dyskryminator dla nadzorowanych problemów z zaszumionymi danymi

1. Wydajny obliczeniowo
2. Odporny na szumy i wartości odstające w danych
3. Zarówno klasyfikatory dyskryminacji liniowej (LD), jak i kwadratycznej dyskryminacji (QD) można uzyskać z tej samej implementacji, ustawiając parametry regularyzacji „[lambda, r]” na „[1 0]” dla klasyfikatora LD i „[0 0]” dla Klasyfikator QD - bardzo przydatny do celów odniesienia.
4. Model jest łatwy do interpretacji i eksportu
5. Działa dobrze w przypadku rzadkich i „szerokich” zestawów danych, w których macierze kowariancji klas mogą nie być dobrze zdefiniowane.
6. Oszacowanie prawdopodobieństwa klasy tylnej można oszacować dla każdej próbki, stosując funkcję softmax do wartości dyskryminacyjnych dla każdej klasy.

Link do oryginalnej pracy z 1989 roku autorstwa Friedmana i in . Tutaj . Również bardzo dobre wyjaśnienie Kunchevy w jej książce „ Łączenie klasyfikatorów wzorców ”.

Drzewa wzmocnione gradientem.

• Przynajmniej tak dokładne, jak RF w wielu aplikacjach
• Bezproblemowo włącza brakujące wartości
• Znaczenie różnych (jak RF prawdopodobnie tendencyjne na korzyść ciągłego i wielu poziomów nominalnych)
• Wykresy częściowej zależności
• GBM kontra randomForest in R: obsługuje DUŻO większe zestawy danych

Klasyfikator procesu Gaussa - daje prognozy probabilistyczne (przydatne, gdy częstotliwości operacyjne względnych klas różnią się od tych w zestawie treningowym lub równoważne są fałszywie dodatnie / fałszywie ujemne koszty są nieznane lub zmienne). Zapewnia on również zniesienie niepewności w prognozach modelu z powodu niepewności w „szacowaniu modelu” na podstawie skończonego zestawu danych. Funkcja współwariancji jest równoważna funkcji jądra w SVM, więc może również działać bezpośrednio na danych niewektorowych (np. Łańcuchy lub wykresy itp.). Matematyczne ramy są również czyste (ale nie używaj aproksymacji Laplace'a). Zautomatyzowany wybór modelu poprzez maksymalizację marginalnego prawdopodobieństwa.

Zasadniczo łączy dobre cechy regresji logistycznej i SVM.

Regresja logistyczna regulowana przez L1.

• Jest szybki obliczeniowo.
• Ma intuicyjną interpretację.
• Ma tylko jeden łatwo zrozumiały hiperparametr, który można automatycznie dostrajać poprzez weryfikację krzyżową, co często jest dobrym rozwiązaniem.
• Jego współczynniki są częściowo liniowe, a ich związek z hiperparametrem jest natychmiast i łatwo widoczny na prostym wykresie.
• Jest to jedna z mniej wątpliwych metod selekcji zmiennych.
• Ma też naprawdę fajną nazwę.

kNN

Naive Bayes i Random Naive Bays

K-oznacza grupowanie dla uczenia się bez nadzoru.