本例在基因表达层面上考察了大量与乳腺癌复发相关的基因，并计算出复发风险。优点：随机森林方法被证明对大规模数据集和存在大量且有时不相关特征的项（item）来说很有用场景举例：用户流失分析、风险评估7. 循环神经网络（Recurrent neural network）：在任意神经网络中，每个神经元都通过 1 个或多个隐藏层来将很多输入转换成单个输出。
循环神经网络（RNN）会将值进一步逐层传递，让逐层学习成为可能。换句话说，RNN 存在某种形式的记忆，允许先前的输出去影响后面的输入。优点：循环神经网络在存在大量有序信息时具有预测能力场景举例：图像分类与字幕添加、政治情感分析8. 长短期记忆（Long short-term memory，LSTM）与门控循环单元神经网络（gated recurrent unit nerual network）：早期的 RNN 形式是会存在损耗的。
尽管这些早期循环神经网络只允许留存少量的早期信息，新近的长短期记忆（LSTM）与门控循环单元（GRU）神经网络都有长期与短期的记忆。换句话说，这些新近的 RNN 拥有更好的控制记忆的能力，允许保留早先的值或是当有必要处理很多系列步骤时重置这些值，这避免了「梯度衰减」或逐层传递的值的最终 degradation。
LSTM 与 GRU 网络使得我们可以使用被称为「门（gate）」的记忆模块或结构来控制记忆，这种门可以在合适的时候传递或重置值。优点：长短期记忆和门控循环单元神经网络具备与其它循环神经网络一样的优点，但因为它们有更好的记忆能力，所以更常被使用场景举例：自然语言处理、翻译9. 卷积神经网络（convolutional neural network）：卷积是指来自后续层的权重的融合，可用于标记输出层。
如何快速提高机器学习模型的性能？
谢邀！当被要求改进现有的预测模型的性能时，人们往往会陷入困境。通常的情况是，会尝试不同的算法来检查结果，但多数人不会想到要改进模型，本文会为大家介绍一些增强现有模型的方法。1.添加更多数据大量的数据总是有用的。它有助于我们捕获数据所有的差异。有时我们可能没有选择获得额外的训练数据。当你参加数据科学竞赛时举例。
但是，在处理客户项目时，如果需要，你可以要求更多数据。问题是什么时候我们应该要求更多的数据？我们无法量化更多的数据。这取决于你正在处理的问题以及你正在实施的算法，例如，在处理时间序列数据时，我们应该查找至少一年的数据。无论何时你处理神经网络算法，建议你获取更多的训练数据，否则模型将不会推广。2.特征工程1.添加新功能可降低模型方差的偏差。
