常用ML算法

朴素贝叶斯

朴素的原因是假设各个特征之间是相互独立的。

 

 过程：

1. 确定特征属性
2. 获取训练样本
3. 对每个类别计算p(yi)
4. 对每个特征属性计算所有划分的条件概率
5. 对每个类别计算p(x|yi)p(yi)
6. 以p(x|yi)p(yi)的最大项作为x所属的类别

优点：

• 算法逻辑简单，易于实现
• 分类过程中的时间和空间开销比较小

缺点：理论上，朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为朴素贝叶斯模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，在属性个数比较多或者属性之间相关性较大时，分类效果不好。

理论上，朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为朴素贝叶斯模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，在属性个数比较多或者属性之间相关性较大时，分类效果不好。

SVM 支持向量机