机器学习算法优劣势及适用场景总结

持续更新中...

1.k-近邻算法

优势：精度高、对异常值不敏感、无数据输入设定

缺点：计算复杂度高、空间复杂度高

适用数据范围：数值型和标称型

适用场景：

 

2.ID3决策树算法

优势：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据

劣势：可能会产生过度匹配问题

适用数据类型：标称型

适用场景：

 

3.朴素贝叶斯

优势：在数据较少的情况下仍然有效，可以处理多类别问题

劣势：对于输入数据的准备方式较为敏感

适用数据类型：标称型数据

适用场景：文档分类、垃圾邮件识别

 

4.Logistic回归

优势：计算代价不高，易于理解和实现

劣势：：容易欠拟合，分类精度可能不高

适用数据类型：数值型和标称型数据

适用场景：

 

5.支持向量机

优势：泛化错误率低， 计算开销不大， 结果易解释

劣势：对参数调节和核函数选择敏感，原始分类器不加修改仅适用于处理二类问题

适用数据类型：数值型和标称型