机器学习中的相关算法的优缺点（机器学习实战整理）

机器学习中的相关算法的优缺点（机器学习实战整理）

1.k-近邻算法

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

适用数据范围：数值型和标称型

2.决策树

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，可以处理不想管特征数据。

缺点：可能会产生过度匹配问题

适用数据类型：数值型和标称型

3.朴素贝叶斯（基于概率论的分类方法）

优点：在数据较少的情况下仍然有效，可以处理多类别问题

缺点：对于输入数据的准备方式较为敏感

适用数据类型：标称型数据

4.Logistic回归

优点：计算代价不高，易于理解和实现。

缺点：容易欠拟合，分类精度可能不高。

适用数据类型：数值型和标称型数据。

5.支持向量机

优点：泛化错误率低，计算开销不大，结果易于理解

缺点：对参数调节和核函数的选择敏感，原始分类不加修改仅适用于处理二类问题。

适用数据类型：数值型和标称型数据。

6.利用AdaBoost元算法提高分类性能

优点：泛化错误率低，易编码，可以应用在大部分分类器上，无参数调整。

缺点：对离群点敏感

适用数据类型：数值型和标称型数据

7.回归

优点：结果易于理解，计算上不复杂。

缺点：对非线性的数据拟合不好

适用数据类型：数值型和标称型数据

8.树回归

优点：可以对复杂和非线性的数据建模

缺点：结果不易理解

适用数据类型：数值型和标称型数据

9.K-均值聚类算法

优点：容易实现

缺点：可能收敛到局部最小值，在大规模数据集上收敛较慢

适用数据类型：数值型数据

10.Apriori算法

优点：易编码实现

缺点：在大数据集上可能较慢

适用数据类型：数值型或者标称型数据

11.FP-growth算法

优点：一般要快于Apriori

缺点：实现比较困难，在某些数据集上性能会下降

适用数据类型：标称型数据

12.PCA降维

优点：降低数据的复杂性，识别最重要的多个特征。

缺点：不一定需要，且可能损失有用信息

适用数据类型：数值型数据

13.奇异值分解

优点：简化数据，去除噪声，提高算法的结果

缺点：数据的转换可能难以理解

适用数据类型：数值型数据