方法 | 主要模式 | 特点 | 典型应用 |
普通机器学习法 | 采用单层感知机,关注于单个任务的学习,适用于线性可分问题 | 适用于数据量少时构建浅层结构,对复杂函数的表示力有限,且学习效果相对不稳定 | 大尺度山洪灾害敏感性研究 [29] (随机森林法) |
深度机器学习法 | 采用多层感知机,通过对层次结构、低层次特征中提取高层次特征 | 属于无监督学习,当数据大量增长时学习效果突出,但其可解释性低,对电脑硬件要求高 | 洪水淹没水深预测 (梯度增强决策树 [31] |
耦合机器学习法 | 通过耦合模型中额外参数的引入,实现对个体优化和全局优化的折衷 | 面对不充分训练数据集,可以提高预测的准确性、泛化性、不确定性、超前时间性;提高计算速度和成本 | 小时洪水预报(小波、自举神经网络 [32] |