神經網路能吊打其他演算法嗎?
顯然是xgboost,找到業務認可的標籤,從資料庫拉出來特徵,幾乎不用特徵工程,也不用調參,調包算就有還OK的效果....
這也導致演算法崗的可替代性非常強
在說最能打的演算法之前,我們先來簡單了解下,常見的機器學習演算法有哪些。
樸素貝葉斯分類
樸素貝葉斯分類是基於貝葉斯定理與特徵條件獨立假設的分類方法,發源於古典數學理論,擁有穩定的數學基礎和分類效率。它是一種十分簡單的分類演算法,當然簡單並不一定不好用。通過對給出的待分類項求解各項類別的出現概率大小,來判斷此待分類項屬於哪個類別,而在沒有多餘條件的情況下,樸素貝葉斯分類會選擇在已知條件下,概率最大的類別。
貝葉斯分類演算法的實質就是計算條件概率的公式。在事件 B 發生的條件下,事件 A 發生的概率為 P(A | B)來表示。