Rickcolo Asked: 2024-04-23 22:14:28 +0800 CST2024-04-23 22:14:28 +0800 CST 2024-04-23 22:14:28 +0800 CST 多级数据的机器学习分类算法 772 我正在开发一个机器学习项目，我的数据集包含 218 个国家（从 1960 年到 2022 年）的社会、人口和经济方面的变量。目标变量是一个二元变量（是或否），表示该国家/地区是否在某一年至少发生过一次政变企图。我的问题是：多层次数据的最佳分类模型是什么？ 通过咨询不同的来源，我写下了这些模型（没有特定的顺序）： 随机森林 XGBoost 物流分类 决策树 他们是错误的吗？还有更多我不知道的型号吗？如果没有，您知道我可以使用哪些资源在 R 中实现这些模型吗？ machine-learning 1 个回答 Voted Best Answer PLG 2024-04-23T22:45:06+08:002024-04-23T22:45:06+08:00 我认为你走在正确的道路上。根据您拥有的参数数量，我建议使用 XGB 的随机森林。 （根据我的理解，逻辑回归假设变量之间存在线性关系，因此您可能需要首先深入研究数据可视化。决策树很容易过度拟合，因此在没有有关数据集的更多信息的情况下，我不建议这样做）。 请记住，RF 和 XGB 的计算成本很高，并且需要调整（深度、正则化......）。但是，通过遵循一些教程并应用原则，您也许能够使用其中任何一个来生成准确的模型。它们将使您能够掌握数据中的复杂关系。然而，它们的可解释性也比 LR 和 DT 稍差。 您可能还考虑另一种常用的算法，支持向量机（SVM），但我不知道如何在 R 中使用它
我认为你走在正确的道路上。根据您拥有的参数数量，我建议使用 XGB 的随机森林。
（根据我的理解，逻辑回归假设变量之间存在线性关系，因此您可能需要首先深入研究数据可视化。决策树很容易过度拟合，因此在没有有关数据集的更多信息的情况下，我不建议这样做）。
请记住，RF 和 XGB 的计算成本很高，并且需要调整（深度、正则化......）。但是，通过遵循一些教程并应用原则，您也许能够使用其中任何一个来生成准确的模型。它们将使您能够掌握数据中的复杂关系。然而，它们的可解释性也比 LR 和 DT 稍差。
您可能还考虑另一种常用的算法，支持向量机（SVM），但我不知道如何在 R 中使用它