判别模型与生成模型

• 生成模型
  学习联合概率分布，求出条件概率分布P(Y|X)=P(X,Y)/P(X)。
  • 朴素贝叶斯法、马尔科夫模型、高斯混合模型
  • 收敛速度更快，能学习隐变量
• 判别模型
  由数据直接学习决策函数f(X)或者条件概率分布P(Y|X)作为预测的模型。
  • 逻辑回归, KNN, SVM
  • 准确率高

各模型总结

• 逻辑回归
  • 优点
    • 实现简单，应用成熟，基本所有的机器学习库都有
    • 支持增量学习，可以在线更新
    • 可以输出概率，结果易于解释
  • 缺点
    • 全局最优、容易欠拟合
    • 当特征空间太大时表现较弱
    • 难以捕捉非线性特征
      • 特征离散化
  • 优化方法
    • 细分场景解决，用决策树决定初始场景
    • 特征筛选、降维，加入L1、L2正则项
    • 特征离散化，特征相乘
      • 普通线性模型无法描述特征间的相关性，将特征相乘（多项式线性模型）可以引入变量相关性（e.g 女性与化妆品类，男性与球类装备）

- 数据稀疏情况下很难求解wij，使用FM模型（类比推荐）

• 朴素贝叶斯

  • 优点
    • 算法简单，收敛速度快
    • 支持增量学习
    • 在小数据集上表现较好，多用于文本分类
  • 缺点
    • 条件独立假设，分类准确性较低

• KNN

  • 优点
    • 思想简单，可用以分类也可回归
    • 可以用以非线性分类
  • 缺点
    • 计算、存储量大

• 决策树

  • 优点
    • 计算简单，易于理解，容易解释
    • 对数据预处理要求不高
    • 可以进行变量选择
  • 缺点
    • 讲究局部最优，容易过拟合
    • 容易忽略数据之间的相关性

• SVM

  • 优点
    • 可以解决高纬数据集，适合文本/图像分类
    • 能处理非线性可分数据
    • 高泛化能力
  • 缺点
    • 计算量大
    • 需要调参数、寻找核函数
    • 对缺失数据敏感

• 随机森林

• Adaboost

  • 优点
    • 精度高，不容易过拟合
    • 不用做特征选择
  • 缺点
    • 对异常点敏感

• K-means

  • 优点
    • 原理简单，容易实现
    • 当簇之间区分效果明显时聚类效果较好
  • 缺点
    • 对初始质心及K的选择较敏感
    • 对异常点敏感