何时线性回归,聚类或决策树?-阿里云开发者社区

开发者社区> 人工智能> 正文

何时线性回归,聚类或决策树?

简介: 机器学习算法介绍那么多?但是,到底如何根据不同的场景,应用选择它们呢?且来听听大牛怎么说!

许多文章简单的定义了决策,聚线性回,以及它的差异,但是他往往忽了在哪里使用这些算法。

决策树,聚类和线性回归算法之间的差异已经在许多文章中得到了阐述(如本文本文)。但是,这些算法可以使用在什么地方并不是很清楚。通过这篇博文,我解释了在哪里可以使用这些机器学习算法,以及在为你的需求选择特定算法时需要考虑哪些因素。

1.线性回归用例:

线性回归的一些用途:

1.产品的销售定价和风险参数。

2.产生对消费者行为,盈利能力和其他商业因素的见解。

3.评估趋势做出估预测。

4.确定品的营销效果,定价和促销。

5.评估金融服务和保险的风险。

6.从汽车测试数据研究发动机的性能。

7.计算生物系统参数之间的因果关系。

8.进行市场调查研究和客户调查结果分析。

9.天文数据分析。

10.随着房屋面的增加预测房价。

线性回归经常用于一些案例包括股票交易,视频游戏,体育博彩和飞行时间预测。

2.决策用例:

决策树的一些用途:

1.建立客管理平台,提高首次呼叫解决率,平均时间和客户满意率。

2.在财务方面,预测未来的财务并给出这些结果出现的概率。

3.二定价预测物期分析。

4.客愿意在定的境下购买给定的品,即离线和在线两种。

5.产品规划,例如,**品公司(Gerber ProductsInc.)使用决策来决定是否继续为制造玩具PVC

6.一般商决策。

7.贷款批准。

3.集群用例

聚类算法的一些用途:

1.客户细分。

2.利用物理尺度物种行分类。

3.产品分类。

4.电影推荐。

5.在特定区域放置蜂窝塔的位置。

6.考到一个地区最容易生事故的地区的因素,急病房。

7.属性数量的影响。

3.如何选择合适的机器学算法?

现在你已经了解了这些机器学习算法的具体用例,接下来让我们讨论如何根据需要选择完美的机器学习算法。

3.1线性回归选择标准:

首先,让我们来谈谈分类和回归功能、错误率、数据兼容性、数据质量、计算复杂性、可理解性和透明度等这些因素对算法的影响。

和回功能:

回归模型拥有预测了一个连续变量,例如一天的销售量或预测城市的温度。

在建立分类功能时,他们依赖多项式(如直线)来拟合数据集,这是一个真正的挑战。让我们想象一下,你想添加另一个数据点,但为了适应它,你需要改变你现有的模型(也可能是阈值本身)。因此,线性回归对于分类模型并不好。

错误率:

在减少错误率方面,线性回归比其他算法弱。

数据兼容性:

线性回归依赖于连续数据来建立回归功能。

数据量:

每个缺失的值将删除一个可以优化回归的数据点。在简单线性回归中,异常值可能会显着破坏结果。

计算复杂性:

与决策树和聚类算法相比,线性回归通常在计算上不复杂。复杂的N个训练样例和X的顺序通常设有落在或者是O(X2),O(XN),或O-(C3)。

易于理解和透明:

它们很容易理解和透明的性质。它们可以用简单的数学符号表示给任何人,而且可以很容易被理解。

3.2决策树选择标准:

决策树是将对象分类的一种方法。他们是一种监督学习的形式。

聚类算法可以进一步分类为“急切学习者”,因为他们首先在训练数据集上建立分类模型,然后实际分类测试数据集。这种决策树的本质就是要学习并渴望对未见的观察结果进行分类,这就是为什么他们被称为“渴望学习者”的原因。

和回能力:

决策树与另外两种类型的任务兼容——回归以及分类。

计算量:

由于决策树具有内存分类模型,因此它们不会带来高昂的计算成本,因为它们不需要频繁的数据库查找。

易于理解和透明:

它们被银行广泛用于贷款审批,仅仅是因为其基于规则的决策极其透明。

数据量:

决策树能够处理高度错误和缺失值的数据集。

增量学习:

随着决策树分批工作,他们一次对一组训练观察进行建模。因此,他们不适合增量学习。

错误率:

它们的错误率相对较高,但比线性回归要好。

数据兼容性:

决策树可以处理具有数字和标称输入属性的数据。

属性数量的影响:

如果存在复杂的、人为的无形因素,这些算法往往会产生错误的结果。例如,在客户细分等情况下,很难想象决策树会返回准确的细分。

3.3算法选择标准:

聚类算法通常用于找出主题在多个不同变量上的相似程度。他们是无监督学习的一种形式。

然而,聚类算法不是“急切的学习者”,而是直接从训练实例中学习。他们只有在得到测试观察分类后才开始处理数据。

和回功能:

聚类算法不能用于回归任务。

数据理能力:

聚类可以处理大多数类型的数据集并忽略缺失的值。

数据集量:

它们与连续和阶乘数据值一起工作良好。

易于理解和透明:

与决策树不同,聚类算法通常不会带来相同水平的理解和透明度。通常,他们需要为决策者提供大量的实施级解释。

计算费用:

聚类算法通常需要频繁的数据库查找。因此,它们通常可能在计算上是昂贵的。

增量学习:

聚类自然地支持增量学习,并且是线性回归和决策树的首选。

错误率:

聚类测试错误率更接近于贝叶斯分类器。

属性数量的影响:

凭借其处理复杂任意边界的能力,与决策树不同,它们可以处理多个属性和复杂的交互。

我希望上述讲解可以帮助你开始使用这些算法!

本文由@阿里云云栖社区组织翻译。

文章原标题《decision-trees-vs-clustering-algorithms-vs-linear》

作者:Parikshit Joshi

译者:虎说八道,审校:。

文章为简译,更为详细的内容,请查看原文文章

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章