本文介绍了Sklearn库中的knn、linearRegression、lasso、ridge、poly、logisticRegression、linearSVC、SVC和decisionTree等常见模型，强调了它们在不同场景下的适用性。同时，讨论了特征归一化的重要性，特别是对于regularized regression、logistic、knn、svm和neural networks等算法的必要性。并提到了模型参数调整对过拟合和欠拟合的影响。
Sklearn常见模型
knn：简单有效，适合作为基准模型，当数据量大时计算量会非常大，并且耗费内存
linearRegression: 运用最小二乘法实现的线性模型，当数据量大时计算效率不高
lasso: 添加L1正则化的线性模型，易获得权重的稀疏解，用于筛选特征
ridge: 添加L2正则化的线性模型，易获得权重的平滑解
poly: 多项式回归，容易过拟合，必须配合正则化使用
logisticRegression: 自带正则化实现，需要调节C控制正则化程度，较简单的分类模型
linearSVC: 线性支持向量机，自带正则化实现
SVC: 核支持向量机，默认是'rbf'核，调节C与gamma
decisionTree: max_depth控制过拟合，根节点深度为0
当模型过拟合时，增大alpha或者减小C；当模型欠拟合时，减小alpha或者增大C；
对特征归一化
某些机器学习算法要求输入数据必须有相同的范围：
- regularized regression
- logistic
- knn
- svm
- neural networks
优缺点对比
| 优点 | 缺点 |
最低0.47元/天 解锁文章
扫一扫
1820
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
