机器学习怎么避免算法陷入局部极小点
1个回答
展开全部
可用于数值型数据和离散型数据；
3，容易理解，精度高，理论成熟，既可以用来做分类也可以用来做回归；
2.计算复杂性高；空间复杂性高.训练时间复杂度为O(n)；无数据输入假定；
4，而其它样本的数量很少）.对异常值不敏感
缺点：
1；
2.样本不平衡问题（即有些类别的样本数量很多；
3.一般数值很大的时候不用这个，计算量太大。但是单个样本又不能太少 否则容易发生误分1.简单好用
3，容易理解，精度高，理论成熟，既可以用来做分类也可以用来做回归；
2.计算复杂性高；空间复杂性高.训练时间复杂度为O(n)；无数据输入假定；
4，而其它样本的数量很少）.对异常值不敏感
缺点：
1；
2.样本不平衡问题（即有些类别的样本数量很多；
3.一般数值很大的时候不用这个，计算量太大。但是单个样本又不能太少 否则容易发生误分1.简单好用
已赞过
已踩过<
评论
收起
你对这个回答的评价是？
推荐律师服务：
若未解决您的问题，请您详细描述您的问题，通过百度律临进行免费专业咨询
