Machine learning 不同参数数据集的机器学习分类器

为什么不同数据的不同分类器的行为不同？ 根据哪些参数，我们可以为特定的数据集确定好的分类器

---

对于某些数据集，朴素贝叶斯分类器比支持向量机分类器具有更好的精度 对于其他数据集，SVM的性能优于朴素贝叶斯。为什么 所以原因是什么

这些是完全不同的分类器。如果你有一个分类器，它总是比另一个更好。那你为什么需要“坏的”呢

谷歌第一次提到SVM不是最佳选择：

---

这个问题没有一般的答案。要了解使用哪个分类器，您需要了解分类过程背后的算法

例如，逻辑回归假设y为正态分布，当特定参数不是唯一的决定因素时，通常很有用，但因素的组合权重会产生差异，例如在文本分类中

另一方面，决策树根据提供最多信息的参数进行拆分。因此，如果您有一组与标签高度相关的参数，那么使用基于决策树的分类器更有意义

SVM，基于识别足够的超平面的工作。当不可能在一个平面上对数据进行分类，但将其投影到更高的平面可以轻松对其进行分类时，这些工具通常很有用。这是一个很好的SVM教程

简而言之，了解哪种分类器在哪种情况下更好的唯一方法是了解它们是如何工作的，然后找出它们是否最适合您的情况

---

另一个粗糙的方法是尝试每一个分类器并选择最好的一个，但我认为您对此不感兴趣

现在还不清楚你们到底想要什么，不管怎样，这似乎是一种宽泛的方式。举一个你正在谈论的行为主义者的例子可以澄清这一点。对于某些数据集，朴素贝叶斯比SVM分类器提供更好的精度，而对于其他数据集，SVM的性能比朴素贝叶斯更好。为什么会这样？原因是什么？好的。感谢您提供的有用答案和SVM教程。