1 .. 소박한 베이직스, 아주 간단합니다. 마치 몇 가지 계산 작업을 하는 것과 같습니다. 조건 독립성 가정이 성립되면 NB 는 판별 모델보다 더 빨리 수렴하기 때문에 소량의 훈련 데이터만 있으면 된다. 조건 독립성 가정이 성립되지 않더라도, NB 의 실천에서의 성과는 여전히 기이하게 좋다.
논리 회귀, LR 모델을 정규화하는 많은 방법이 있습니다. LR 은 NB 의 조건부 독립 가정과 비교했을 때 샘플이 관련되어 있는지 여부를 고려하지 않아도 됩니다. 의사 결정 트리 및 지원 벡터 머신과는 달리 NB 는 확률 해석 능력이 뛰어나며 새로운 교육 데이터로 모델을 쉽게 업데이트할 수 있습니다. 확률 정보를 원하거나 앞으로 더 많은 데이터가 있을 때 모델을 쉽게 업데이트하고 개선하고자 하는 경우 LR 을 사용할 가치가 있습니다.
의사 결정 트리, DT 는 잘 이해하고 설명합니다. DT 는 파라메트릭이 아니므로 이상값 (또는 이탈값) 과 데이터가 선형으로 분리될 수 있는지 걱정할 필요가 없습니다. DT 의 주요 단점은 과맞춤이 쉽다는 점이다. 이것이 랜덤 숲 등 통합 학습 알고리즘을 제시한 이유다.
4. 지원 벡터기의 분류 정확도가 높고, 과맞춤에 대한 이론적 보장이 뛰어나며, 특징 선형불가분의 문제에 직면하여 적절한 핵함수를 선택해도 잘 작동한다. SVM 은 고차원 텍스트 분류에서 매우 인기가 있습니다.
더 자세한 정보를 원하시면 CDA 데이터 분석 과정을 수강하는 것이 좋습니다. 빅 데이터 분석가는 현재 전문적인 국제 인증을 받고 있다. CDA ("CDA 데이터 분석가") 는 디지털 경제 및 인공지능 시대 트렌드를 배경으로 전 업계를 대상으로 하는 전문 권위 국제 자격 인증으로, 전 국민의 디지털화 기술을 향상시키고, 기업 디지털화를 돕고, 업계 디지털화 발전을 촉진하도록 설계되었습니다. "CDA 데이터 분석가" 는 데이터 수집, 청소, 처리 및 분석을 전문으로 하며 인터넷, 금융, 소매, 컨설팅, 통신, 의료, 여행 등의 업계에서 비즈니스 보고 및 의사 결정을 내릴 수 있는 새로운 데이터 분석가입니다. 무료 오디션 수업을 예약하기 위해 클릭하십시오.