数据挖掘--模型选择

名称	假设 /关键	优缺点	模型	策略	算法
感知机	拉格朗日对偶	1.初值不同结果不同 2.无法处理非线性 3.对偶形式将内积存储（Gram矩阵），加速计算		误分类点总数最小	梯度下降
KNN	1.k值选择（交叉验证法） 2.距离度量 3.分类决策规则	1.对异常点不敏感 2.不具有显示学习过程（可解释行差） 3.适用于多分类问题 4.计算量大（占内存）	距离度量：p范数（L1、L2） （各个坐标距离最大值 ）	决策规则：多数表决（=经验风险最小化）	1.计算与x最近的k个点（Nk） 2.分类规则（多数表决） 3.kd树（适用于训练实例远大于空间维数的搜素）
聚类分析 （无监督）	1.k值选择 2.相似度量（距离）	1.初值敏感 2.异常点敏感 3.kmeans适合球状 4.大数据集伸缩性好，高效，高斯分布效果好	质心：	MSE（均方差）：