Depende completamente del contexto y del tipo de problemas que va a resolver. Cada uno de los algoritmos de predicción tiene sus propios méritos y deméritos.
Algoritmos de regresión lineal y logística: fácil de entender y fácil de implementar. Por otro lado, los algoritmos corren el riesgo de sobreajuste, y a veces estos algos son demasiado simples para problemas muy complejos.
Algoritmos basados en árboles: árbol de decisión, bosque aleatorio y aumento de gradiente: el bosque aleatorio toma la sabiduría de la multitud, es rápido para entrenar y puede proporcionar un modelado de muy alta precisión. Puede ser lento a veces para la predicción de salida y no es fácil entender las predicciones
- ¿En qué se diferencia el patrón de papel GATE de IISc Bangalore de los IIT para la rama de informática?
- ¿Cuál es la mejor computadora portátil para un estudiante entrante de CS en la Universidad de Cornell?
- ¿Cómo se ejecuta una unión en dos tablas grandes en una empresa como Facebook o Google?
- ¿Es cierto que un título en informática es útil solo si puedo ingresar a una universidad superior como MIT o Stanford, y es mejor ser un desarrollador autodidacta en lugar de estudiar en una universidad mala?
- ¿Son obligatorios los campos de marca en los datos publicitarios de BLE?
Redes neuronales: estos algoritmos pueden tomar tareas extremadamente complejas, como el reconocimiento de imágenes, etc. Por otro lado, son lentos para entrenar y el proceso de predicción es complejo para comprender el propósito.
