什么是基本模型?为什么/什么时候使用其他ML算法？
什么是基本模型?为什么/什么时候使用其他ML算法？
提问于 2022-08-17 22:57:30
假设我们处理的是连续的特性和响应。我们拟合一个线性回归模型(假设一阶)，在CV之后，我们得到了一个好的r^2 (假设是r^2=0.8)。
为什么我们要选择其他的ML算法？我读过一些研究论文，他们尝试了不同的ML算法，并以简单的线性模型作为基本模型进行比较。在这些论文中，线性模型优于其他算法，我很难理解的是为什么我们会选择其他的ML算法呢？为什么我们不能满足于线性模型，特别是在其他算法表现不佳的具体情况下？
另一个问题是，如果这些算法表现不佳，他们在研究论文中介绍其他算法会得到什么好处？
回答 2
Stack Overflow用户
发布于 2022-08-17 23:09:58
解决预测问题(如连续输出)的最佳模型是回归模型，特别是当您使用基于该问题的带有超参数整定的神经网络(多项式或线性)时。
使用决策树或支持向量机等其他ML算法或其他模型，它们的主要目标是分类，但实际上on the paper, they say it can do regression also不能预测任何新的值。
但是在研究领域，人们总是试图找到一种比回归、like in the classification world we start with Logistic regression -> decision tree更好的预测值的方法，现在我们已经有了支持向量机、集合模型和DeepLearning。
Stack Overflow用户
发布于 2022-08-17 23:05:27
我认为答案是因为你永远不知道。
，尤其是在其他算法性能较差的特定情况下？
你知道他们表现不佳是因为有人尝试了剂量模型。尝试各种型号总是值得的。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/73395739
复制相关文章
相似问题
腾讯云开发者
