数据挖掘常用算法优缺点分析

        常用的机器学习、数据挖掘方法有分类,回归,聚类,推荐,图像识别等。在实际应用中,一般都是采用启发式学习方式来实验。

偏差&方差

偏差:描述的是预测值(估计值)的期望与真实值之间的差距,偏差越大,越偏离真实数据。

            偏差bias其实是模型太简单而带来的估计不准确的部分—欠拟合

方差:描述的是预测值的变化范围、离散程度,是离其期望值的距离。方差越大,数据的分布越分散。

            方差variance则是模型太复杂而带来的更大的变化空间和不确定性—过拟合


模型的真实误差= 偏差 + 方差 + 噪声

 

        如果是小训练集,高偏差/低方差的分类器(如:朴素贝叶斯NB)要比低偏差/高方差的分类器(如:KNN)的优势大,因为后者会过拟合。但是随着训练集的增长,模型对于原数据的预测能力就越好,偏差就会越低,此时低偏差/高方差分类器就会渐渐的表现其优势(因为它们有较低的渐进误差),此时高偏差分类器已经不足以提供准确的模型了。


 常见算法的优缺点 

 

 一  朴素贝叶斯

        朴素贝叶斯(NB)属于生成式模型(即需要计算特征与类的联合概率分布),计算过程非常简单,只是做了一堆计数。NB有一个条件独立性假设,即在类已知的条件下,各个特征之间的分布是独立的。这样朴素贝叶斯分类器的收敛速度将快于判别模型,如逻辑回归,所以只需要较少的训练数据即可。即使NB条件独立假设不成立,NB分类器在实践中仍然表现的很出色。它的主要缺点是它不能学习特征间的相互作用,用mRMR中的R来讲,就是特征冗余。

 

      优点:

      朴素贝叶斯模型发源于古典数学理论,有着坚实的数学基础,以及稳定的分类效率。

      对小规模的数据表现良好,能处理多分类任务,适合增量式训练。

      对缺失数据不太敏感,算法也比较简单,常用于文本分类(如垃圾邮件过滤)


      缺点:

      需要计算先验概率

       分类决策存在错误率

      对输入数据的表达形式很敏感。


二   逻辑回归(logistic  regression)

        逻辑回归是一个分类方法,属于判别式模型,有很多正则化模型的方法(L0,L1,L2),而且不必像在用朴素贝叶斯那样担心特征是否相关。与决策树与SVM相比,还会得到一个不错的概率解释,甚至可以轻松地利用新数据来更新模型(使用在线梯度下降算法online gradient descent)。如果需要一个概率架构(比如,简单地调节分类阈值,指明不确定性,或者是要获得置信区间),或者希望以后将更多的训练数据快速整合到模型中去,那么可以使用它。

 

      优点:

      实现简单,广泛的应用于工业问题上;

      分类时计算量非常小,速度很快,存储资源低;

      便利的观测样本概率分数;

      对逻辑回归而言,多重共线性并不是问题,它可以结合L2正则化来解决该问题;


      缺点:

      当特征空间很大时,逻辑回归的性能不是很好;

      容易欠拟合,一般准确度不太高;

      不能很好地处理大量多类特征或变量;

      只能处理两分类问题

      对于非线性特征,需要进行转换。

—————————————————————————————————————————————————————————————–

逻辑回归与朴素贝叶斯的对比:

相同点:都是对条件概率建模,对求得的不同类的结果有很好的解释性,而不像SVM, 神经网络等解释性不高。

不同点:

               1. 在有相关性特征的数据上的学习:逻辑回归会更好些。即逻辑回归不会关于特征有没有相关性这方面有局限性,它总是能                    找 到一个最优的参数。

               2. NB朴素贝叶斯的好处是不需要优化参数,它直接就可以得到一个计数表来计算需要的最终结果。而逻辑回归则是需要去                      学习这样一个参数,然后去预测。

               3. 朴素贝叶斯在小规模数据集上的表现很好,随着数据的增多,特征维度的增加,逻辑回归的效果更好,这也是因为NB是                      生成模型,在有先验的情况下模型能够把数据fit的更好,而逻辑回归属于判别模型,目标驱动化,不去建模联合概                                率,通过训练数据直接预测输出,因此在数据足够多的情况下能够得到更好一些的效果。

 

逻辑回归与SVM的区别

        1. LR采用log损失,SVM采用Hinge损失。

        2. LR对异常值敏感,SVM对异常值不敏感。

        3. 在训练集较小时,SVM较适用,而LR需要较多的样本。

        4. LR模型找到的那个超平面,是尽量让所有点都远离他,而SVM寻找的那个超平面,是只让最靠近中间分割线的那些点尽量                 远离,即只用到那些支持向量的样本。

        5. 对非线性问题的处理方式不同,LR主要靠特征构造,必须组合交叉特征,特征离散化。SVM也可以这样,还可以通过                         kernel。


—————————————————————————————————————————————————————————————–


三  线性回归

          线性回归是用于回归的,而不像Logistic回归是用于分类,其基本思想是用梯度下降法对最小二乘法形式的误差函数进行优化,当然也可以用normalequation直接求得参数的解,结果为:《数据挖掘常用算法优缺点分析》

  而在LWLR(局部加权线性回归)中,参数的计算表达式为:《数据挖掘常用算法优缺点分析》

  由此可见LWLR与LR不同,LWLR是一个非参数模型,因为每次进行回归计算都要遍历训练样本至少一次。

       优点:  实现简单,计算简单;

       缺点:  不能拟合非线性数据.

四  最近邻算法——KNN

  KNN即最近邻算法,其主要过程为:计算训练样本和测试样本中每个样本点的距离(常见的距离度量有欧式距离,马氏距离等);对上面所有的距离值进行排序;选前k个最小距离的样本;根据这k个样本的标签进行投票,得到最后的分类类别;

  如何选择一个最佳的K值,这取决于数据。一般情况下,在分类时较大的K值能够减小噪声的影响。但会使类别之间的界限变得模糊。一个较好的K值可通过各种启发式技术来获取,比如,交叉验证。另外噪声和非相关性特征向量的存在会使K近邻算法的准确性减小。

  近邻算法具有较强的一致性结果。随着数据趋于无限,算法保证错误率不会超过贝叶斯算法错误率的两倍。对于一些好的K值,K近邻保证错误率不会超过贝叶斯理论误差率。

  优点:

   理论成熟,思想简单,既可以用来做分类也可以用来做回归;

   可用于非线性分类;

   训练时间复杂度为O(n);

   对数据没有假设,准确度高,对outlier不敏感;

  缺点:

   计算量大;

   样本不平衡问题(即有些类别的样本数量很多,而其它样本的数量很少);

   需要大量的内存;

五  决策树

  可以处理特征间的交互关系并且是非参数化的,因此不必担心异常值或者数据是否线性可分(举个例子,决策树能轻松处理好类别A在某个特征维度x的末端,类别B在中间,然后类别A又出现在特征维度x前端的情况)。它的缺点之一就是不支持在线学习,于是在新样本到来后,决策树需要全部重建。另一个缺点就是容易出现过拟合,但这也就是诸如随机森林RF(或提升树boostedtree)之类的集成方法的切入点。另外,随机森林经常在很多分类问题上表现很好(通常比支持向量机好一些),它训练快速并且可调,同时无须担心要像支持向量机那样调一大堆参数,所以在以前一直很受欢迎。

  决策树中很重要的一点就是选择一个属性进行分枝,因此要注意一下信息增益的计算公式,并深入理解它。

  信息熵的计算公式如下:

《数据挖掘常用算法优缺点分析》

  其中的n代表有n个分类类别(比如假设是2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p1和p2,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xi用来进行分枝,此时分枝规则是:如果xi=vxi=v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H1和H2,计算出分枝后的总信息熵H’=p1H1+p2H2,则此时的信息增益ΔH=H–H’。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。

  优点:

   计算简单,易于理解,可解释性强;

   比较适合处理有缺失属性的样本;

   能够处理不相关的特征;

   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:

   容易发生过拟合(随机森林可以很大程度上减少过拟合);

   忽略了数据之间的相关性;

  对于那些各类别样本数量不一致的数据,在决策树当中,信息增益的结果偏向于那些具有更多数值的特征(只要是使用了信息增                益,都有这个缺点,如RF)。


       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。Adaboost是一种典型的boosting算法。

  优点:

   adaboost是一种有很高精度的分类器。

   可以使用各种方法构建子分类器,Adaboost算法提供的是框架。

   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。

   简单,不用做特征筛选。

   不容易发生overfitting。

  缺点:

        对outlier比较敏感

六  SVM支持向量机

  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:

  可以解决高维问题,即大型特征空间;

  能够处理非线性特征的相互作用;

     无需依赖整个数据;

  可以提高泛化能力;

        缺点:

  当观测样本很多时,效率并不是很高;

     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;

     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。

七  人工神经网络

  优点:

   分类的准确度高;

   并行分布处理能力强,分布存储及学习能力强,

   对噪声神经有较强的鲁棒性和容错能力,能充分逼近复杂的非线性关系;

   具备联想记忆的功能。

  缺点:

  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;

  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;

  学习时间过长,甚至可能达不到学习的目的。

八  K-Means聚类

  优点:

  算法简单,容易实现;

  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。

  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:

  对数据类型要求较高,适合数值型数据;

     可能收敛到局部最小值,在大规模数据上收敛较慢

   K值比较难以选取;

   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;

   不适合于发现非凸面形状的簇,或者大小差别很大的簇。

   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。

总 结

        简单的算法选择技巧:

  首先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参考,在基础上与其他算法进行比较;

  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。即便最后并没有把它当做为最终模型,也可以使用随机森林来移除噪声变量,做特征选择;

  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。

  通常情况下【GBDT>=SVM>=RF>=Adaboost>=Other】,现在深度学习很热门,很多领域都用到,它是以神经网络为基础的。

  算法固然重要,但好的数据却要优于好的算法,设计优良特征是大有裨益的。假如有一个超大数据集,那么无论你使用哪种算法可能对分类性能都没太大影响(此时就可以根据速度和易用性来进行抉择)。

参  考

       https://en.wikipedia.org/wiki/Bias%E2%80%93variance_tradeoff

    http://blog.echen.me/2011/04/27/choosing-a-machine-learning-classifier/

    http://www.csuldw.com/2016/02/26/2016-02-26-choosing-a-machine-learning-classifier/


 

    原文作者:五大常用算法
    原文地址: https://blog.csdn.net/m0_37676632/article/details/73440857
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞