摘要：
ID3 决策树构建树的依据是简单的比较样本集分类前后的信息增益 此外还有 CART 决策树，C4.5 决策树等 优点：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 缺点：只能处理离散数据，可能会过度匹配，实现较为复杂，存在特征值太多的问题 工作原理： 将样本数据转为 阅读全文
摘要：
kNN 算法不需要经过算法训练，属于懒惰学习，需要训练的属于急切学习 kNN 是最简单的分类算法 优点：精度高、对异常值不敏感、无数据输入假定 缺点：计算复杂度高、空间复杂度高 工作原理： 输入没有标签的新数据后，将新数据的每个特征与样本集中每个数据对应的特征进行比较，然后算法提取样本集中 k 个特 阅读全文