我在机器学习中学到了几个分类器 - 决策树，神经网络，SVM，贝叶斯分类器，K-NN等等 .
任何人都可以帮助理解何时我应该更喜欢其中一个分类器 - 例如 - 在哪种情况下（数据集的性质等）我应该更喜欢决策树而不是神经网络或者哪种情况SVM可能比贝叶斯更好？
对不起，如果这不是发布此问题的好地方 .
谢谢 .
这与数据集的性质非常相关 . 有几种元学习方法可以告诉你使用哪种分类器，但通常没有黄金法则 .
如果您的数据很容易分离（很容易区分不同类的条目），那么决策树或SVM（带有线性内核）就足够了 . 但是，如果您的数据需要转换为其他[更高]维度空间，基于内核的分类器可能会运行良好，例如RBF SVM . SVM还可以更好地处理非冗余的独立功能 . 当需要特征之间的组合时，人工神经网络和贝叶斯分类器也能很好地工作 .
然而，这是非常主观的，并且在很大程度上取决于您的功能集 . 例如，具有与类高度相关的单个特征可能确定哪个分类器最佳 . 也就是说，总的来说，无免费午餐定理表明没有分类器对一切都更好，但SVM通常被认为是目前二进制分类的最佳选择 .
1 回答
这与数据集的性质非常相关 . 有几种元学习方法可以告诉你使用哪种分类器，但通常没有黄金法则 .
如果您的数据很容易分离（很容易区分不同类的条目），那么决策树或SVM（带有线性内核）就足够了 . 但是，如果您的数据需要转换为其他[更高]维度空间，基于内核的分类器可能会运行良好，例如RBF SVM . SVM还可以更好地处理非冗余的独立功能 . 当需要特征之间的组合时，人工神经网络和贝叶斯分类器也能很好地工作 .
然而，这是非常主观的，并且在很大程度上取决于您的功能集 . 例如，具有与类高度相关的单个特征可能确定哪个分类器最佳 . 也就是说，总的来说，无免费午餐定理表明没有分类器对一切都更好，但SVM通常被认为是目前二进制分类的最佳选择 .