ご使用のアプリケーションに最適な、すぐに使用可能な2クラス分類子とは何ですか？[閉まっている]

ルール：

• 回答ごとに1つの分類子
• 同意したら投票する
• 重複の削除/削除。
• コメントにアプリケーションを入れてください

ランダムフォレスト

• 複雑な構造/非線形関係を簡単にキャプチャ
• 変数のスケールに不変
• カテゴリー予測子のダミー変数を作成する必要はありません
• 変数の選択はあまり必要ありません
• オーバーフィットが比較的難しい

ロジスティック回帰：

• ほとんどのデータセットで高速でパフォーマンスが高い
• 調整するパラメーターはほとんどありません
• 離散/連続の両方の機能を処理します
• モデルは簡単に解釈できます
• （実際にはバイナリ分類に制限されません）

サポートベクターマシン

ノイズのあるデータを伴う監視された問題の正則化判別式

1. 計算効率
2. ノイズやデータの外れ値に強い
3. 線形判別（LD）および二次判別（QD）分類器は、同じ実装から取得できます。LD分類器では正則化パラメーター '[lambda、r]'を '[1 0]'に、LD分類器では '[0 0]'を設定します。 QD分類子-参照目的に非常に便利です。
4. モデルの解釈とエクスポートは簡単です
5. クラスの共分散行列が適切に定義されていない可能性があるスパースおよび「ワイド」データセットに適しています。
6. 各クラスの判別値にsoftmax関数を適用することにより、サンプルごとに事後クラス確率の推定値を推定できます。

フリードマンらによる 1989年のオリジナル論文へのリンクはこちら。また、Kunchevaの著書「Combining pattern classifiers」に非常に良い説明があります。

グラデーションブーストツリー。

• 多くのアプリケーションで少なくともRFと同じ精度
• 欠損値をシームレスに組み込みます
• Varの重要性（RFのように、連続的で多くのレベルの公称値に偏っている可能性が高い）
• 部分依存プロット
• RでのGBMとrandomForest：はるかに大きなデータセットを処理します

Gaussian Process分類器 -確率的予測を提供します（運用上の相対クラス頻度がトレーニングセットの頻度と異なる場合、または同等の偽陽性/偽陰性コストが不明または可変である場合に役立ちます）。また、有限データセットからの「モデルの推定」の不確実性のために、モデル予測の不確実性を示します。共分散関数は、SVMのカーネル関数と同等であるため、非ベクトルデータ（文字列やグラフなど）を直接操作することもできます。数学的枠組みもきちんとしています（ただし、ラプラス近似は使用しないでください）。限界尤度の最大化による自動モデル選択。

基本的に、ロジスティック回帰とSVMの優れた機能を組み合わせています。

L1正規化ロジスティック回帰。

• 計算が高速です。
• 直感的な解釈があります。
• 相互検証によって自動的に調整できる、簡単に理解できるハイパーパラメーターが1つだけあります。これは多くの場合、良い方法です。
• その係数は区分線形であり、ハイパーパラメータとの関係は簡単なプロットで即座に簡単に確認できます。
• これは、変数選択のためのそれほど疑わしい方法の1つです。
• また、それは本当にクールな名前を持っています。

kNN

単純ベイズおよびランダム単純ベイ

教師なし学習のためのK平均クラスタリング。