江苏龙网

  1. 主页 > 生活百科 > >

机器视觉——机器学习算法优缺点综述( 三 )

机器学习算法

  • 学习向量量化（Learning Vector Quantization (LVQ)）
  • 自组织映射（Self-Organizing Map (SOM)）
  • 局部加权学习（Locally Weighted Learning (LWL)）
    • 优点：
    • 算法简单、结果易于解读
    缺点：
    • 内存使用非常高
    • 计算成本高
    • 不可能用于高维特征空间
    贝叶斯算法（Bayesian Algorithms）
    机器视觉——机器学习算法优缺点综述

    文章插图
     
    贝叶斯方法是指明确应用了贝叶斯定理来解决如分类和回归等问题的方法 。
    例子：
    • 朴素贝叶斯（Naive Bayes）
    • 高斯朴素贝叶斯（Gaussian Naive Bayes）
    • 多项式朴素贝叶斯（Multinomial Naive Bayes）
    • 平均一致依赖估计器（Averaged One-Dependence Estimators (AODE)）
    • 贝叶斯信念网络（Bayesian Belief Network (BBN)）
    • 贝叶斯网络（Bayesian Network (BN)）
    优点：
    • 快速、易于训练、给出了它们所需的资源能带来良好的表现
    缺点：
    • 如果输入变量是相关的，则会出现问题
    关联规则学习算法（Association Rule Learning Algorithms）
    机器视觉——机器学习算法优缺点综述

    文章插图
     
    关联规则学习方法能够提取出对数据中的变量之间的关系的最佳解释 。比如说一家超市的销售数据中存在规则 {洋葱，土豆}=> {汉堡}，那说明当一位客户同时购买了洋葱和土豆的时候，他很有可能还会购买汉堡肉 。
    例子：
    • Apriori 算法（Apriori algorithm）
    • Eclat 算法（Eclat algorithm）
    • FP-growth
    图模型（Graphical Models）
    机器视觉——机器学习算法优缺点综述

    文章插图
     
    图模型或概率图模型（PGM/probabilistic graphical model）是一种概率模型，一个图（graph）可以通过其表示随机变量之间的条件依赖结构（conditional dependence structure） 。
    例子：
    • 贝叶斯网络（Bayesian network）
    • 马尔可夫随机域（Markov random field）
    • 链图（Chain Graphs）
    • 祖先图（Ancestral graph）
    优点：
    • 模型清晰，能被直观地理解
    缺点：
    • 确定其依赖的拓扑很困难，有时候也很模糊




    推荐阅读


    上一篇：产品在淘宝上卖上架流程 淘宝产品上架最佳时间

    下一篇：淘宝主图文案怎么吸引客人 淘宝文案策划