Machine learning 对于线性可分数据,逻辑回归更好吗?
关于分类。。。 假设发现数据是线性可分离的(使用SVM/聚类/单感知器等测试线性可分离性) 我们可以用一个更简单的模型,比如逻辑回归(而不是SVM或任何其他),因为他们说简单模型是更好的模型吗 如果有错,请纠正我 提前谢谢!Machine learning 对于线性可分数据,逻辑回归更好吗?,machine-learning,Machine Learning,关于分类。。。 假设发现数据是线性可分离的(使用SVM/聚类/单感知器等测试线性可分离性) 我们可以用一个更简单的模型,比如逻辑回归(而不是SVM或任何其他),因为他们说简单模型是更好的模型吗 如果有错,请纠正我 提前谢谢! Surya不要将算法与模型混淆。对于线性可分离的数据,这些算法中的每一个都应该返回一个简单的超平面,即具有实系数的线性(一阶)项的总和。因此,每个模型都同样简单 如果你关心的是最简单的算法,那么你确实有一个观点 我将坚持使用简单的SVM:它提供了一个封闭形式的计算,以根据最
Surya不要将算法与模型混淆。对于线性可分离的数据,这些算法中的每一个都应该返回一个简单的超平面,即具有实系数的线性(一阶)项的总和。因此,每个模型都同样简单 如果你关心的是最简单的算法,那么你确实有一个观点 我将坚持使用简单的SVM:它提供了一个封闭形式的计算,以根据最近的N+1观测值(给定N个特征)确定最佳分离
每种算法在运行时、清晰度、准确性等方面都有其优势。如果您的标准不是最大差距,那么线性回归(以其闭合形式)可能是最佳选择。如果可能,您应该始终选择更简单的模型。在这种情况下,线性回归。