我在研究中使用了Python的scikit-learn进行机器学习。我发现SVM和逻辑回归分类器表现最佳（例如：准确率85%），决策树的表现明显较差（65%），而朴素贝叶斯表现则更差（40%）。

我会在结论中说明一些机器学习分类器的表现明显优于其他分类器，但基于这些观察，我还能对我的学习任务或数据结构说些什么呢？

补充说明：

数据集包含500,000行，我有15个特征，但其中一些特征是某些文本子字符串的各种组合，因此自然扩展为稀疏矩阵中的数万列。我使用人们的名字来预测某个二元类别（例如：性别），尽管我对名称实体进行了大量特征工程，如名称的长度、名称的子字符串等。

回答：

我推荐你查看scikit-learn团队制作的关于选择合适的估算器的精彩地图 http://scikit-learn.org/stable/tutorial/machine_learning_map

描述你具体情况的细节将是一项庞大的任务（我完全理解你没有这样做！），我鼓励你问自己几个问题。因此，我认为关于“选择合适的估算器”的地图是一个好的开始。

从字面上讲，进入地图的“开始”节点并沿着路径走：

• 我的样本数量是否大于50？

依此类推。最后你可能会到达某个点，并查看你的结果是否与地图上的推荐相符（例如，我是否最终选择了SVM，它给我带来了更好的结果？）。如果是这样，深入研究文档，并问自己为什么某个分类器在文本数据上的表现更好，或者你获得了什么见解。

正如我所说，我们不知道你的数据的具体细节，但你应该能够问这样的问题：我有什么类型的数据（文本、二元、…），有多少样本，需要预测多少类别，… 所以理想情况下，你的数据将为你提供一些关于问题背景的提示，因此为什么某些估算器表现得比其他估算器更好。

但是，是的，你的问题实在是太广泛了，无法在一个答案中完全理解（特别是不知道你处理的问题类型的情况下）。你也可以检查是否有那些方法更容易过拟合，例如。

推荐列表可能是无穷无尽的，这就是为什么我鼓励你开始定义你处理的问题类型和你的数据（除了样本数量外，它是否被归一化？它是否分散？你是否用稀疏矩阵表示文本，你的输入是否是0.11到0.99之间的浮点数）。

无论如何，如果你愿意分享一些关于你的数据的具体信息，我们可能会更精确地回答。希望这对你有所帮助，尽管只是略有帮助 😉