算法■如何从 8 个维度全面比较机器学习算法？ |机器学习|计算复杂性理论|电脑|

【算法■如何从 8 个维度全面比较机器学习算法？】
人类发明的机器学习（ML）算法简直数不胜数。当然，大多数时候只有一小部分被用于研究和工业。然而，对于个人来说，理解并记住所有这些 ML 模型的细节仍然有点困难。有些人可能会有一个错误的印象，认为所有这些算法都是完全不相关的。更重要的是，当两种算法似乎都有效时，如何选择使用算法 A ，还是 B？

本文插图
图片来源： https://unsplash.com/photos/qwtCeJ5cLYs
人类发明的机器学习（ML）算法简直数不胜数。当然，大多数时候只有一小部分被用于研究和工业。然而，对于个人来说，理解并记住所有这些 ML 模型的细节仍然有点困难。有些人可能会有一个错误的印象，认为所有这些算法都是完全不相关的。更重要的是，当两种算法似乎都有效时，如何选择使用算法 A ，还是 B？
这篇文章的目的是为读者提供一个不同的角度来看待 ML 算法。有了这些角度，算法可以在同样的维度上进行比较，并且可以很容易地进行分析。本文在撰写时考虑了两个主要的 ML 任务——回归和分类。
时间复杂度在 RAM 模型下，算法所花费的“时间”是由算法的基本运算来度量的。虽然用户和开发人员可能更关心算法用于训练模型的挂钟时间，但在比较模型用于训练的时间时，使用最坏情况下的计算时间复杂度更公平。使用计算复杂度的好处是，可以忽略运行时使用的计算机能力、架构以及底层编程语言等的差异，允许用户关注算法基本操作的基本差异。
注意，在训练和测试期间，时间复杂度可能差别很大。例如，像线性回归这样的参数模型可能训练时间很长，但它们在测试期间很高效。
更多内容点击文末了解更多查看