Video: Lær at vælge regnemetode 2024
Del af Maskinindlæring til Dummies Cheat Sheet < Maskinindlæring involverer brugen af mange forskellige algoritmer. Denne tabel giver dig et hurtigt resumé af styrken og svaghederne i forskellige algoritmer.
Algoritme
| Bedst ved | Fordele | Ulemper | Tilfældig skov |
| Svar på næsten ethvert maskinindlæringsproblem | Bioinformatik
Kan arbejde parallelt |
Sjældent overfits > Håndter automatisk manglende værdier
Ikke nødvendigt at omdanne nogen variabel Ikke nødvendigt at justere parametre Kan bruges af næsten alle med fremragende resultater Vanskeligt at fortolke Svagere ved regression ved estimering af værdier ved ekstremiteterne i fordelingen af responsværdier |
Foretrukket i multiklasseproblemer mod hyppigere klasser
Gradient Boosting Apt ved næsten ethvert maskinindlæringsproblem |
| Søgemaskiner (løser problemet med at lære at rangere) > Det kan tilnærme de fleste ikke-lineære funktioner | Bedst i klasseprospektoren
Håndter automatisk manglende værdier |
Intet behov for at omdanne nogen variabel
Det kan overfit, hvis det kører for mange iterationer Følsom over for støjende data og outliers Fungerer ikke godt uden parameterindstilling |
Lineær regression
Baseline predic Økonometriske forudsigelser |
| Modellering af markedsføringssvar | Enkel at forstå og forklare
Det overgår sjældent Med L1 og L2-regulering er effektiv i funktionvalg |
Hurtig til træning
Let at træne på store data takket være dens stokastiske version Du skal arbejde hårdt for at gøre det tilpas for ikke-lineære funktioner. Kan lide af outliers Support Vector Machines |
Tegn genkendelse
Billedgenkendelse |
| Tekst klassificering | Automatisk ikke-lineær funktionalisering
Kan tilnærme komplekse, ikke-lineære funktioner Vanskeligt at fortolke ved anvendelse af ikke-lineære kerner |
Lider af for mange eksempler. Efter 10.000 eksempler begynder det at tage for lang tid at træne
K-nærmeste naboer |
Computer vision
Multilabel-tagging |
| Anbefalingssystemer | Stavekontrolproblemer
Hurtig og doven træning Kan naturligvis håndtere ekstreme multiklasseproblemer (som tagging tekst) Langsom og besværlig i den forudsigende fase |
Kan undlade at forudsige korr
Adaboost |
Ansigtsgenkendelse
Håndter automatisk manglende værdier |
| Intet behov for at omdanne nogen variabel | Det overlader ikke let | Få parametre til at tilpasse > 9 Naive Bayes
Ansigtsgenkendelse Sentimentanalyse Spamopdagelse Det er muligt at udnytte mange forskellige svage elever |
Følsomme over for støjende data og outliers
Tekstklassificering |
| Nem og hurtig at implementere, kræver ikke for meget hukommelse og kan bruges til onlineindlæring | Nem at forstå
Tager hensyn til forudgående viden Stærk og urealistisk egenskabsafhængighedsforudsætninger > Fejlberegner sjældne forekomster Lider af irrelevante egenskaber |
Neural Netværk
Billedgenkendelse Sproggenkendelse og oversættelse |
Talegenkendelse
Visionsgenkendelse Kan tilnærme enhver ikke-lineær funktion |
| Robust til outliers | Fungerer kun med en del af eksemplerne (supportvektoren s)
Meget vanskeligt at indstille Vanskeligt at stille på grund af for mange parametre, og du skal også bestemme netværkets arkitektur Vanskeligt at fortolke |
Let at overfit
Logistisk regression < Bestilling af resultater efter sandsynlighed Modellering af markedsføringssvar |
Enkel at forstå og forklare
Det overgår sjældent Med L1 og L2-regulering er effektiv i funktionen valg Den bedste algoritme til forudsigelse af sandsynligheder for en begivenhed |
| Hurtig til træning | Nem at træne på store data takket være dens stokastiske version
Du skal arbejde hårdt for at gøre det uegnet til ikke-lineære funktioner. |
Kan lide af outliers
SVD Recommender systemer Kan omstrukturere data på en meningsfuld måde Vanskeligt at forstå, hvorfor data er blevet omstruktureret på en bestemt måde PCA |
Fjernelse af collinearity
Reduktion af datasætets dimensioner |
| Kan reducere datadimensionalitet | Antyder stærke lineære antagelser (komponenter er en vægtet summation af funktioner) K-means | Segmentering | Hurtig til at finde klynger |
| Kan detektere afvigelser i flere dimensioner | Lider af multikollinearitet
Klynger er sfæriske, kan ikke registrere grupper af anden form |
Ustabil løsninger afhænger af initialisering |
Valg af editor
Hvad er nyt i Microsoft Word 2016? - dummiesUdgivelsen af Microsoft Word i 2016 er funktionel pakket og kan prale af evnen til at forenkle arbejdsgange og forene arbejdsgrupper. Hvad det betyder for dig er, at det er et meget lettere produkt at bruge i forhold til tidligere versioner. Med funktionelle ændringer, der er indbygget i knapper og faner af Word 2016s båndformede proceslinje, har den ... 
Word 2010 Tastaturgenveje - DummiesWord 2010 tilbyder en række nyttige tastaturgenveje til hurtigt at udføre opgaver. Her er nogle genveje til almindelig Word-formatering, redigering og fil- og dokumentopgaver. Word 2010 Formatering Genveje Kommando Genvej Bånd Placering Fed Ctrl + B Startside Fane, Skrifttype Gruppe Kursiv Ctrl + I Startside, Skriftgruppe Understrege Ctrl + U Startside Fane, Skriftgruppe Center Ctrl + E ... 
Word 2007 For Dummies Cheat Sheet - dummiesWord 2007 ser anderledes ud, men tilbyder stadig de praktiske Word hæfteklammer som f.eks. tastaturgenveje til at hjælpe dig med at oprette, formatere, indsætte ting i og flytte gennem dine Word-dokumenter. Og Word 2007 tilbyder også et par nye funktioner, der hjælper dig med at håndtere din tekstbehandling med lethed. Valg af editor
ASVAB Montering af objekter Subtest: Shapes - dummiesMange mennesker kan finde den anden type montering af objekter problem på ASVAB lettere end forbindelsesproblemerne. Denne type problem er meget som et puslespil, medmindre det ikke resulterer i et billede af Frihedsgudinden eller et kort over USA. Der er også en heck of a ... 
ASVAB Aritmetisk Reasoning Subtest: Viser Sammenligninger med Ratioer - DummiesDu skal vide, hvordan du arbejde med forhold for den aritmetiske begrundelse subtest af ASVAB. Et forhold viser et forhold mellem to ting. For eksempel, hvis Margaret investerede i hendes tatoveringslokale i forholdet 2: 1 (eller 2 til 1) til hendes forretningspartner Julie, satte Margaret $ 2 for hver ... 
ASVAB Auto & Shop Information Undertest: Drilling, Punching og Gouging Tools - dummiesNej, det handler ikke om hånd-til-hånd kamp træning fra grundlæggende træning. Imidlertid vil ASVAB teste din viden om, hvor praktisk du er med boring, stansning og gouging-værktøjer. Masters i butikskunst gør ofte huller i det materiale, de arbejder med for at opbygge det perfekte fuglehus (eller hvad de arbejder på). ... Valg af editor
EMT-eksamen: Sådan arbejder du med et team under et nødsituationArbejder helt alene som en EMT er ekstremt sjælden. Selv under disse omstændigheder vil du sandsynligvis interagere med andre sundhedspleje- og offentlige sikkerhedsudbydere på et eller andet tidspunkt under et opkald. Mere sandsynligt vil du fungere som medlem af et hold. Det kan være en enkelt partner, et brandmandsbesætningsmedlem eller endda en nødsituation ...
EMT-eksamen: Sådan dokumenterer du dine tilfælde - dummierTil eksamen og i feltet EMT er forpligtet til at dokumentere, hvad du observerede om patienten og miljøet, de resultater, du vurderede, den omhu du gav, og eventuelle ændringer i patientens tilstand, mens du var i din pleje. Dokumentation kan ske enten på papirformularer eller elektronisk med en computer, bærbar computer, ... |
![Sådan oprettes en nested kategori i Joomla Content Management - dummies <[SET:descriptionda]Med Joomla 1](https://i.howtospotfake.org/img/web-design-development-2018/how-to-create-nested-category-in-joomla-content-management.jpg "Sådan oprettes en nested kategori i Joomla Content Management - dummies <[SET:descriptionda]Med Joomla 1")
