machine-learning - 哪种监督机器学习分类方法适合随机分布的类？

如果类是随机分布的或者它有更多的噪声，那么哪种类型的监督机器学习分类模型会给出更好的结果，为什么？

标签： machine-learningmultilabel-classificationsupervised-learning

很难说哪个分类器在一般问题上表现最好。它通常需要针对给定问题测试各种算法，以确定哪个分类器表现最佳。

最佳性能还取决于问题的性质。这个 stackoverflow 问题有一个很好的答案，它着眼于各种评分指标。对于每个问题，都需要了解并考虑哪种评分指标是最好的。

综上所述，神经网络、随机森林分类器、支持向量机和其他各种都是创建有用模型的候选者，因为正如您所指出的，类是均匀分布的。当类不平衡时，规则会略有变化，因为大多数 ML 算法都假设平衡。

我的建议是尝试几种不同的算法，并调整超参数，以便针对您的特定应用进行比较。你会经常发现一种算法更好，但不是特别好。根据我的经验，通常更重要的是如何预处理数据以及如何准备特征。这又是一个非常通用的答案，因为它在很大程度上取决于您给定的应用程序。