Βίντεο: Η Ανάλυση της Εστίασης | Μάθημα φωτογραφίας (teachme.gr) 2024
Μέρος της Machine Learning For Dummies Cheat Sheet < Η μηχανική μάθηση περιλαμβάνει τη χρήση πολλών διαφορετικών αλγορίθμων. Αυτός ο πίνακας σας δίνει μια σύντομη περίληψη των δυνατών και αδύνατων δυνατοτήτων διαφόρων αλγορίθμων.
Αλγόριθμος
Καλύτερος σε | Επαγγελματίες | Μειονεκτήματα | Τυχαίο Δάσος |
Apt σε σχεδόν οποιοδήποτε πρόβλημα μηχανογραφικής μάθησης | Βιοπληροφορική
> Αυτόματα χειρίζεται τις ελλείπουσες τιμές |
Δεν χρειάζεται να μετατρέψουμε οποιαδήποτε μεταβλητή
Δεν χρειάζεται να τροποποιήσουμε τις παραμέτρους Μπορεί να χρησιμοποιηθεί από σχεδόν οποιονδήποτε με εξαιρετικά αποτελέσματα Δύσκολο να ερμηνεύσει τα άκρα της κατανομής των τιμών απόκρισης Μεροληψία σε προβλήματα πολυκάλεων προς πιο συχνές κατηγορίες |
Βελτίωση κλίσης
Apt σε σχεδόν οποιοδήποτε πρόβλημα μηχανικής μάθησης Μηχανές αναζήτησης (επίλυση προβλήματος μάθησης κατάταξη) > Μπορεί να προσεγγίσει τις περισσότερες μη γραμμικές λειτουργίες |
Βέλτιστη στην πρόβλεψη κλάσης | Χειρίζεται αυτόματα τις ελλείπουσες τιμές
Δεν χρειάζεται να μετασχηματίσει οποιαδήποτε μεταβλητή |
Μπορεί να υπερκεραστεί αν τρέξει για πάρα πολλές επαναλήψεις
Ευαίσθητα σε θορυβώδη δεδομένα και Δεν λειτουργεί καλά χωρίς ρύθμιση παραμέτρων Γραμμική παλινδρόμηση |
Πρόβλεψη βάσης
Η απλή κατανόηση και η εξήγηση Σπάνια υπερνικά |
Η χρήση των ρυθμίσεων L1 & L2 είναι αποτελεσματική στην επιλογή χαρακτηριστικών | Γρήγορη εκπαίδευση
Εύκολη τρέχει σε μεγάλα δεδομένα χάρη στην στοχαστική της έκδοση Πρέπει να δουλέψεις σκληρά για να καταστείς κατάλληλες μη γραμμικές λειτουργίες |
Μπορεί να υποφέρει από ακραίες τιμές
Υποστηρικτικές μηχανές υποστήριξης Αναγνώριση χαρακτήρων Αναγνώριση εικόνας |
Δύσκολο να ερμηνευτεί κατά την εφαρμογή μη γραμμικών πυρήνων
Υποφέρει από πάρα πολλά παραδείγματα, μετά από 10, 000 παραδείγματα αρχίζει να παίρνει πολύ χρόνο για να εκπαιδεύσει |
(999)> Μπορεί φυσικά να χειριστεί ακραία προβλήματα πολλαπλών βαθμίδων (όπως η επισήμανση κειμένου) | Αργές, τεμπέληδες προπόνηση
Ορατότητα υπολογιστή και δυσκίνητη στη φάση πρόβλεψης |
Μπορεί να αποτύχει να προβλέψει corr (999)> Ανυπαρξία
Ανίχνευση προσώπου |
Χειρίζεται αυτόματα τις ελλείπουσες τιμές
Χωρίς να μετασχηματίζει οποιαδήποτε μεταβλητή |
Δεν ξεπερνά εύκολα | > Μπορεί να ωφελήσει πολλούς διαφορετικούς αδύναμους μαθητές
Ευαίσθητα σε θορυβώδη δεδομένα και απομεινάρια Ποτέ η καλύτερη πρόβλεψη στην κατηγορία Naive Bayes |
Ανίχνευση προσώπου
Ανάλυση συναισθημάτων < Κείμενο ταξινόμησης |
Εύκολη και γρήγορη υλοποίηση, δεν απαιτεί υπερβολική μνήμη και μπορεί να χρησιμοποιηθεί για ηλεκτρονική μάθηση
Εύκολο στην κατανόηση |
Λαμβάνει υπόψη τις προηγούμενες γνώσεις | Ισχυρές και μη ρεαλιστικές υποθέσεις ανεξαρτησίας χαρακτηριστικών > Αποτυχία εκτίμησης σπάνιων συμβάντων | Υποφέρουν από άσχετα χαρακτηριστικά
Νευρωνικά δίκτυα Αναγνώριση εικόνων Αναγνώριση και μετάφραση γλώσσας Robust to outliers |
Λειτουργεί μόνο με ένα μέρος των παραδειγμάτων (το φορέα υποστήριξης s)
Πολύ δύσκολο να ρυθμίσετε |
Δύσκολο να συντονιστείτε λόγω υπερβολικά πολλών παραμέτρων και πρέπει επίσης να αποφασίσετε την αρχιτεκτονική του δικτύου | Δύσκολο να ερμηνεύσετε
Αποτελέσματα ταξινόμησης κατά πιθανότητα Απόκριση μάρκετινγκ μοντελοποίησης Απλός για κατανόηση και εξήγηση |
Σπάνια υπερεκτιμάται
Η ρύθμιση παραμέτρων L1 & L2 είναι αποτελεσματική στην επιλογή χαρακτηριστικών Ο καλύτερος αλγόριθμος για την πρόβλεψη πιθανότητας |
Εύκολο να προπονηθείς σε μεγάλα δεδομένα χάρη στην στοχαστική του έκδοση
Πρέπει να δουλέψεις σκληρά για να καταστείς κατάλληλες μη γραμμικές λειτουργίες Μπορεί να υποφέρει από ακραίες τιμές |
SVD | Συνιστώς
Αποκατάσταση της γραμμικότητας Μείωση των διαστάσεων του συνόλου δεδομένων Μπορεί να μειώσει τη διαστασιολόγηση των δεδομένων |
Μπορεί να αναδιαρθρώσει τα δεδομένα κατά τρόπο ουσιαστικό
Υποδηλώνει ισχυρές γραμμικές παραδοχές (τα συστατικά είναι ένα σταθμισμένο άθροισμα χαρακτηριστικών) Κ-μέσα |
Τμηματοποίηση
Γρήγορη εύρεση συμπλεγμάτων Μπορεί να ανιχνεύσει υπερβάσεις σε πολλαπλές διαστάσεις Παρέχει πολυκενικότητα |
λύσεις, εξαρτάται από την αρχικοποίηση |
|