常用分类算法（决策树、KNN、ANN、SVM、朴素贝叶斯）优缺点总结【精炼版】

目录

一、决策树：

二、KNN

三、朴素贝叶斯

四、SVM

五、ANN

---

一、决策树：

优点：

1. 简单易于理解
2. 能够处理多路输出问题

缺点：

1. 容易过拟合
2. 决策树的生成不稳定，微小的数据变化可能导致生成的决策树不同

二、KNN

优点：

1. 简单易于理解
2. 无需训练，无需估计参数
3. 准确性高
4. 适合多标签问题

缺点：

1. 懒惰算法，预测慢，开销大
2. 类的样本数不平衡时准确率受影响
3. 可解释性差

三、朴素贝叶斯

优点：

1. 分类稳定
2. 适合小规模数据和增量式训练
3. 对缺失数据不敏感

缺点：

1. 属性相关性大时效果不好
2. 需要知道先验概率

3. 对数据的表达形式敏感

四、SVM

优点：

1. 适合小样本、非线性、高维模式识别

缺点：

1. 对于大规模数据开销大
2. 不合适多分类

3. 对缺失数据敏感

4. 需要选择适当的核函数

五、ANN

优点：

1. 准确度高
2. 并行分布处理能力强
3. 对噪声容错率高

缺点：

1. 需要大量初始参数
2. 训练时间长，甚至可能训练不成功