机器学习总结（八）：常用机器学习算法优缺点对比、适用条件

这个面试的时候也经常会问，让你比较某几个算法的适用条件，数据、特征量到什么规模时选用哪种算法。

（1）决策树

适用条件：数据不同类边界是非线性的，并且通过不断将特征空间切分为矩阵来模拟。特征之间有一定的相关性。特征取值的数目应该差不多，因为信息增益偏向于更多数值的特征。

优点：1.直观的决策规则；2.可以处理非线性特征；3.考虑了变量之间的相互作用。

缺点：1.容易过拟合（随机森林）；2.处理缺失数据时的困难。

（2）   SVM

适用条件：特征空间大，可以处理非线性的特征。

优点：1.可以处理高维特征；2.使用和函数应对非线性特征空间；3.分类面不依赖所有数据；4.对缺失的一些数据并不敏感。

缺点：1.对于大量的预测样本，效率会很低；2.需要找合适的核函数。