监督学习各类算法快速总结

K-近邻 适用于小型数据集，是很好的基准模型，很容易解释。

线性模型 非常可靠的首选算法，适用于非常大的数据集，也适用于高维数据。

朴素贝叶斯 只适用于分类问题。比线性模型速度还快，适用于非常大的数据集和高维数据。精度通 常要低于线性模型。

决策树 速度很快，不需要数据缩放，可以可视化，很容易解释。

随机森林 几乎总是比单棵决策树的表现要好，鲁棒性很好，非常强大。不需要数据缩放。不适用 于高维稀疏数据。

梯度提升决策树 精度通常比随机森林略高。与随机森林相比，训练速度更慢，但预测速度更快，需要的 内存也更少。比随机森林需要更多的参数调节。

支持向量机 对于特征含义相似的中等大小的数据集很强大。需要数据缩放，对参数敏感。

神经网络 可以构建非常复杂的模型，特别是对于大型数据集而言。对数据缩放敏感，对参数选取 敏感。大型网络需要很长的训练时间。