14 种不同分类算法族在 115 个二分类数据集上的比较
机器学习
2016-06-06 v1 计算机视觉与模式识别
摘要
我们在 115 个真实二分类数据集上测试了 14 种非常不同的分类算法（随机森林、梯度提升机、线性/多项式/RBF 核支持向量机、单隐层神经网络、极限学习机、k 近邻及其装袋集成、朴素贝叶斯、学习向量量化、弹性网络逻辑回归、稀疏线性判别分析以及线性分类器的提升集成）。我们遵循 Demšar 分析，发现三种最佳分类器（随机森林、GBM 和 RBF SVM）彼此之间没有显著差异。我们还讨论了误差率变化小于 0.0112 应被视为无关变化，并使用贝叶斯 ANOVA 分析得出结论：这三种分类器之间的差异极大概率不具有实际重要性。我们也验证了这些算法“标准实现”的执行时间，并得出结论：RBF SVM 在训练时间以及训练加测试时间上都是最快的（且显著如此）。
引用
@article{arxiv.1606.00930,
title = {Comparison of 14 different families of classification algorithms on 115 binary datasets},
author = {Jacques Wainer},
journal= {arXiv preprint arXiv:1606.00930},
year = {2016}
}