本文探讨了不同维度的数据如何影响机器学习模型的选择。对于高维数据如10000维特征向量，线性模型表现良好；而对于低维数据如几十维，则非线性核有更好的效果；在大样本数据集上，线性模型更为适用。
关于数据维度对模型选择的影响：
1.一般对于高维数据的分类问题，比如10000维的特征向量，尤其是在稀疏时，线性模型总是不错的。
2.如果维度不高，比如几十，那么nonlinear kernel的效果更好。
3.对于大样本数据，线性模型可能更适合。
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
1.一般对于高维数据的分类问题，比如10000维的特征向量，尤其是在稀疏时，线性模型总是不错的。
2.如果维度不高，比如几十，那么nonlinear kernel的效果更好。
3.对于大样本数据，线性模型可能更适合。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
