各类算法及其适用场景

各类算法及其适用场景如下图所示。

二分类Two-class Classification

二分类支持向量机Two-class SVM

适用于数据特征较多,线性模型的场景

二分类平均感知器Two-class Average Perceptron

适用于训练时间短,线性模型的场景

二分类逻辑回归Two-class Logistic Regression

二分类贝叶斯点机Two-class Bayes Point Machine

二分类提升决策树Two-class Boosted Decision Tree

适用于训练时间短,精准度高,内存占用量大的场景

二分类决策丛林Two-class Decision Jungle

适用于训练时间短,精确度高,内存占用量小的场景

二分类局部深度支持向量机Two-class Locally Deep SVM

适用于数据特征较多的场景

二分类神经网络Two-class Neural Network

适用于精准度高,训练时间较长的场景

二分类决策森林Two-class Decision Forest

适用于训练时间短,精准的场景

多分类Multi-class Classification

多分类逻辑回归Multiclass Logistic Regression

多分类神经网络Multiclass Neural Network

多分类决策森林Multiclass Decision Forest

多分类决策丛林Multiclass Decision Jungle

适用于精准度高,内存占用较小的场景

'一对多'多分类One-vs-all Multiclass

取决于二分类器效果

回归Regression

排序回归Ordinal Regression

适用于对数据进行分类排序的场景

泊松回归Poission Regression

适用于预测事件次数的场景

快速森林分位数回归Fast Forest Quantile Regression

适用于预测分布的场景

线性回归Linear Regression

贝叶斯线性回归Bayesian Linear Regression

适用于线性模型,训练数据量较少的场景

神经网络回归Neural Network Regression

决策森林回归Decision Forest Regression

提升决策树回归Boosted Decision Tree Regression

聚类Clustering

层次聚类Hierarchical Clustering

适用于训练时间短,大数据量的场景

K-means算法

模糊聚类FCM算法Fuzzy C-means,FCM

SOM神经网络Self-organizing Feature Map,SOM

适用于运行时间较长的场景

异常检测Anomaly Detection

一分类支持向量机One-class SVM

适用于数据特征较多的场景

基于PCA的异常检测PCA-based Anomaly Detection

适用于训练时间短的场景

图 13、