性能比较：机器学习的 JavaScript 与 Python

在我之前的文章中，我讨论了使用 JavaScript 进行机器学习的利弊。我深入研究了它在 ML 任务上的表现是否与基于 Python 的解决方案一样好。现在，我对这种编程语言进行了测试。

在我之前的文章中，我讨论了使用 JavaScript 进行机器学习的利弊。我深入研究了它在 ML 任务上的表现是否与基于 Python 的解决方案一样好。现在，我对这种编程语言进行了测试。 上一篇文章 机器学习

我使用了几个模型来衡量 JavaScript 在机器学习中的表现，并将实际结果与基于 Python 的解决方案进行基准测试。

我使用了几个模型来衡量 JavaScript 在机器学习中的表现，并将实际结果与基于 Python 的解决方案进行基准测试。

上下文：我们用于测试的任务是“欺诈性金融交易检测”。

上下文： 我们用于测试的任务是“欺诈性金融交易检测”。

数据集

数据集 数据集

我选择使用 PaySim 移动货币生成的合成数据集，因为它们包含 6,362,620 条金融交易记录 - 数据集包含 11 列，下面是数据片段。

我选择使用 PaySim 移动货币生成的合成数据集 因为它们包含 6,362,620 条金融交易记录 - 数据集包含 11 列，下面是数据片段。

数据集包括：

数据集包括：

6,354,407 笔合法交易；以及 8,213 笔欺诈交易。

6,354,407 笔合法交易；以及，

6,354,407 合法交易 ；以及，

8,213 笔欺诈交易。

8,213 欺诈交易 。

这相当于 0.1% 的欺诈规模。值得一提的是，欺诈仅发生在 TRANSFER 和 CASH_OUT 交易中 - 下面，您可以找到每种交易类型的确切交易数量。

我们进行了数据分析，认为 isFlaggedFraud isFlaggedFraud 、 nameOrig、 nameOrig、 和 nameDest nameDest

环境

CPU： > 操作系统： 操作系统：