Vidéo: Cours de classification 2025
Partie de Machine Learning For Dummies L'apprentissage automatique implique l'utilisation de nombreux algorithmes différents. Ce tableau vous donne un résumé rapide des forces et des faiblesses de divers algorithmes.
Algorithme
| Meilleur à | Plus | Moins | Forêt aléatoire |
| Apt à presque n'importe quel problème d'apprentissage automatique | Bioinformatique
Peut travailler en parallèle |
Rarement > Traite automatiquement les valeurs manquantes
Pas besoin de transformer une variable Pas besoin de modifier les paramètres Peut être utilisé par presque tout le monde avec d'excellents résultats Difficile à interpréter Plus faible sur la régression les extrémités de la distribution des valeurs de réponse |
biaisés dans les problèmes multiclass vers des classes plus fréquentes
Gradient Boosting Apt à presque tous les problèmes d'apprentissage automatique |
| Moteurs de recherche (résoudre le problème d'apprentissage) > Il peut approcher la plupart des fonctions non linéaires | Meilleur prédicteur dans la classe
Traite automatiquement les valeurs manquantes |
Pas besoin de transformer une variable
Il peut être surcoupé s'il est exécuté trop longtemps Sensible aux données bruitées valeurs aberrantes Ne fonctionne pas correctement sans réglage des paramètres |
Régression linéaire
Valeur de base Prédictions économétriques |
| Modélisation des réponses marketing | Simple à comprendre et à expliquer
Il suffit rarement de La régularisation L1 & L2 est efficace dans la sélection des fonctions |
Rapide pour s'entraîner
Facile à s'entraîner sur le big data grâce à sa version stochastique Vous devez travailler dur pour l'adapter aux fonctions non linéaires Peut souffrir des valeurs aberrantes Support des machines vectorielles |
Reconnaissance des caractères
Reconnaissance des images |
| Texte | Création automatique d'entités non linéaires
Peut approximer des fonctions non linéaires complexes Difficile à interpréter lors de l'application de noyaux non linéaires |
Souffre d'exemples trop nombreux, après 10 000 exemples cela prend trop de temps pour s'entraîner
K voisins les plus proches |
Vision par ordinateur
Marquage multi-étiquettes |
| Systèmes de recommandation | Problèmes de vérification orthographique
Formation rapide et paresseuse Peut gérer naturellement les problèmes multiclasses extrêmes (comme le marquage de texte) Lent et lourd dans la phase de prédiction |
Peut ne pas prédire corr ectly en raison de la malédiction de dimensionnalité
Adaboost |
Détection de visage
Traite automatiquement les valeurs manquantes |
| Pas besoin de transformer une variable | Ne s'ajuste pas facilement | Quelques paramètres à modifier > Il peut tirer parti de nombreux apprenants faibles
Sensible aux données bruyantes et aux valeurs aberrantes Jamais les meilleures prédictions en classe Naive Bayes Reconnaissance faciale |
Analyse des sentiments
Détection des spams |
| Classification du texte | Facile et rapide à implémenter, ne nécessite pas trop de mémoire et peut être utilisé pour l'apprentissage en ligne
Facile à comprendre Prend en compte les connaissances antérieures Hypothèses d'indépendance des fonctionnalités solides et irréalistes > Echec de l'estimation des occurrences rares |
Souffre de caractéristiques non pertinentes
Réseaux neuronaux Reconnaissance d'image |
Reconnaissance du langage et traduction
Reconnaissance vocale Reconnaissance visuelle |
| Peut approximer toute fonction non linéaire | Robuste aux valeurs aberrantes
Ne fonctionne qu'avec une partie des exemples (le vecteur de support s) Très difficile à configurer Difficile à régler en raison de trop de paramètres et vous devez également décider de l'architecture du réseau |
Difficile à interpréter
Facile à adapter Régression logistique < Classer les résultats par probabilité |
Modéliser les réponses marketing
Facile à comprendre et expliquer Il suffit rarement Utiliser la régularisation L1 & L2 pour sélectionner les caractéristiques |
| Le meilleur algorithme pour prédire les probabilités d'un event | Rapide pour s'entrainer
Facile à s'entraîner sur les big data grâce à sa version stochastique |
Vous devez travailler dur pour l'adapter aux fonctions non linéaires
Peut souffrir de valeurs aberrantes SVD Restructurer les données de manière significative Difficile de comprendre pourquoi les données ont été restructurées d'une certaine manière |
PCA
Suppression de la colinéarité |
| Réduction des dimensions de l'ensemble de données | Réduction de la dimensionalité des données | Implique des hypothèses linéaires fortes (les composants sont des sommations pondérées des caractéristiques) K-means | Segmentation |
| Recherche rapide de grappes | Détection de valeurs aberrantes en plusieurs dimensions
Souffre de multicollinéarité |
Les grappes sont sphériques, ne peuvent pas détecter les groupes d'autres formes | instables solutions, dépend de l'initialisation |
Le choix des éditeurs
Magasin de données ou entrepôt de données? - les mannequinsL'idée d'un dépôt de données n'est guère révolutionnaire, malgré ce que vous pourriez lire sur les blogs et dans la presse spécialisée, et ce que vous pourriez entendre lors de conférences ou de séminaires. Un magasin de données est simplement un entrepôt de données réduit - c'est tout. Les vendeurs font de leur mieux pour définir des ... 
Classer Votre Entrepôt de données - mannequinsBien que vous devez vous assurer que votre entrepôt de données correspond à vos besoins uniques, certaines directives peuvent vous aider. vous déterminez la complexité probable de son environnement et de sa structure. Une bonne configuration consiste à utiliser une classification à trois niveaux pour la planification d'un entrepôt de données. En déterminant une catégorie probable pour une mise en œuvre, vous pouvez avoir ... 
Business Intelligence Architecture et Data Warehousing - MannequinsLes débuts du Business Intelligence (toute variété sauf data mining) avait une forte saveur client / serveur de première génération à deux niveaux. (Certains environnements d'intelligence d'affaires qui étaient hébergés sur un mainframe et qui effectuaient des requêtes et des rapports étaient construits avec une architecture centralisée.) Conceptuellement, les premières architectures d'intelligence d'affaires avaient du sens, compte tenu de l'état de l'art ... Le choix des éditeurs
Câblage réseau pour l'examen de certification Cisco ICND1 - mannequinsL'examen de certification ICND1 vous teste sur les différents types de câblage utilisé dans différents scénarios de réseau. Voici quelques points clés à retenir sur le câblage réseau. Rollover Cable: Un câble de survol est aussi connu comme un câble de console et obtient le nom rollover parce que l'ordre des fils d'un ... 
Pour la certification compTIA A + - mannequinsLes examens A +, y compris le réseau local (LAN) et le réseau étendu (WAN): LAN: Un réseau local (LAN) est un réseau qui implique généralement un immeuble de bureaux ou peut-être même des systèmes en réseau sur un étage. Le principal point à retenir lors de l'identification ... 
Outils de dépannage réseau - nulsVoici une liste d'outils de dépannage courants que vous devriez connaître pour les examens A +. L'un des défis des réseaux de soutien aujourd'hui est de savoir comment les résoudre. Vous trouvez tellement d'aspects du réseau qu'il est difficile de savoir par où commencer votre dépannage. Crimper: A ... Le choix des éditeurs
En sélectionnant Logiciel de blog hébergé - duosLorsque vous choisissez de bloguer en utilisant un service de blog hébergé, vous n'avez pas besoin de s'inquiéter de la technologie du logiciel du tout. Vous pouvez vous concentrer sur le sujet de votre prochain article de blog plutôt que sur la manière de configurer un serveur Web. Pour utiliser un logiciel de blog hébergé, connectez-vous à l'outil d'édition, écrivez un ... 
Sélectionnant l'hébergement Web pour votre blog WordPress - les nulsAprès avoir choisi un domaine approprié pour votre blog, vous besoin d'un endroit pour votre installation de WordPress à vivre. N'oubliez pas que vous pouvez également demander à d'autres blogueurs quel hôte ils utilisent et quelle a été leur expérience. Les logiciels Web tels que WordPress ont certaines exigences techniques. Les exigences pour WordPress sont PHP 5. 6 ou plus ... 
ÉVolutivité et Mom Blogging - mannequinsL'évolutivité est l'un de ces mots de jargon MBA-ish absolument ennuyeux que vous n'auriez probablement jamais pense que cela s'appliquerait à un blogueur maman. Mais ce que l'évolutivité signifie vraiment, c'est qu'une entreprise doit avoir une structure en place qui lui permet de croître. Bien sûr, vous voulez augmenter votre revenu - mais vous ... Le choix des éditeurs |
