|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
# K近邻，适用于小型数据集，是很好的基准模型，容易解释from sklearn.neighbors import KNeighborsClassifier# 线性模型，非常可靠的首选算法，适用于很大的数据集，也适用于高维数据from sklearn.linear_model import LinearRegression# 朴素贝叶斯，只适用于分类问题，比线性模型速度还快，适用于非常大的数据集和高维数据，但精度通常低于线性模型from sklearn.linear_model import BayesianRidge# 决策树，速度很快，不需要数据缩放，可以可视化，很容易解释from sklearn.tree import DecisionTreeClassifier# 随机森林，几乎总是比单个决策树的表现要好，鲁棒性很好，非常强大。不需要数据缩放，不适用于高维稀疏矩阵from sklearn.ensemble import RandomForestClassifier# 梯度提升决策树，精度通常比随机森林略高，与随机森林相比，训练速度更慢，但是预测速度更快，需要的内存也少，比随机森林需要更多的参数调节from sklearn.ensemble import GradientBoostingClassifier# 支持向量机，对于特征含义相似的中等大小的数据集很强大，需要数据缩放，对参数敏感from sklearn.svm import SVC# 神经网络，可以构建非常复杂的模型，特别是对于大型数据而言。对数据缩放敏感，对参数选取敏感，大型网络需要很长的训练时间from sklearn.neural_network import MLPClassifier |