ML模型特点以及区别

https://blog.youkuaiyun.com/b285795298/article/details/81977271

---

线性回归

• 优点：
  1、简单，运算速度块
  2、可以根据系数对变量做出解释
• 缺点：
  1、对异常值敏感

---

LR

• 优点：
  1、形式简单，可解释性好
  2、模型效果好
  3、训练速度快
  4、资源占用少，尤其是内存
  5、方便输出结果的调整（人工设定阈值）
• 缺点：
  1、准确率可能并不是很高
  2、很难处理数据不平衡的问题
  3、处理非线性数据麻烦
  4、LR本身无法筛选特征
  5、对异常值敏感

---

SVM

• 优点：
  1、svm再中小量样本规模的时候容易得到数据和特征之间的非线性关系，可以避免使用神经网络结构选择和局部极小值问题，可解释性强，可以解决高维问题。
  2、抗噪能力强
• 缺点：
  1、对缺失数据敏感，对非线性问题没有通用的解决方案，核函数的正确选择不容易，计算复杂度高，不使用于大规模的数据。

---

LR和SVM的区别：

• 相同点：
  1.都是分类算法；
  2.都是监督算法；
  3.都是判别式模型；
  4.不考虑核函数，都是线性分类算法；
• 不同点：
  1、LR采用log损失，SVM采用合页损失，前者基于概率论原理，后者基于几何间隔最大化原理；
  2、LR对异常值敏感，SVM抗噪能力强；r