1 决策树(Decision Trees)的优缺点
一、决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。
二、对于决策树,数据的准备往往是简单或者是不必要的.其他的技术往往要求先把数据一
般化,比如去掉多余的或者空白的属性。
三、 能够同时处理数据型和常规型属性。其他的技术往往要求数据属性的单一。
四、决策树是一个白盒模型。如果给定一个观察的模型,那么根据所产生的决策树很容易推
出相应的逻辑表达式。
五、易于通过静态测试来对模型进行评测。表示有可能测量该模型的可信度。
六、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。
七、可以对有许多属性的数据集构造决策树。
八、决策树可很好地扩展到大型数据库中,同时它的大小独立于数据库的大小。
一、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。
二、决策树处理缺失数据时的困难。
三、过度拟合问题的出现。
人工神经网络的优点: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等。
人工神经网络的缺点: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。
一、与问题领域无关切快速随机的搜索能力。
二、搜索从群体出发,具有潜在的并行性,可以进行多个个体的同时比较,鲁棒性好。
三、搜索使用评价函数启发,过程简单。
四、使用概率机制进行迭代,具有随机性。
五、具有可扩展性,容易与其他算法结合。
一、遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题
进行解码,
二、另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解
的品质,而目前这些参数的选择大部分是依靠经验.没有能够及时利用网络的反馈信息,故算
法的搜索速度比较慢,要得要较精确的解需要较多的训练时间。
三、算法对初始种群的选择有一定的依赖性,能够结合一些启发算法进行改进。
4 KNN算法(K-Nearest Neighbour) 的优缺点
评论0
最新资源