贝叶斯
优点：参数少；对于缺失数据不敏感；分类效率稳定
缺点：真实世界中独立事件很少；需要知道先验概率；决策存在错误率
决策树
优点：不需要参数假设；适合高维数据；易于理解；短时间内处理大量数据；能够同时处理多种形式的数据
缺点：对于各类别样本数量不一致的数据，信息增益偏向于具有更多数值的特征；易过拟合；忽略了属性相关性；不支持在线学习
SVM
优点：适合小样本下机器学习；提高泛化性能；可解决高维、非线性问题；适合超高维文本分类；避免了神经网络结构选择和局部极小的问题
缺点：对缺失数据敏感；内存消耗大；难以解释；运行和调参过程困难
KNN
优点：思想简单，理论成熟，可分类/回归；可用于非线性分类；训练时间复杂度为O(n)；准确度高；不需数据假设；对离群点不敏感
缺点：计算量大；不适合样本分类不均衡情况；需要大量内存；可解释性不强
LR
优点：速度快；易于理解；更新模型容易；（如果想要一个概率框架，动态调整分类阀值）
缺点：特征处理复杂；需要归一化和较多的特征工程
NN
优点：准确率高；并行处理能力强；分布式存储和学习能力强；鲁棒性较强，不易受噪声影响
缺点：需要大量参数（网络拓扑、阀值、阈值）；结果难以解释；训练时间过长
AdaBoosting
优点：精度高；可以使用各种方法构建子分类器，Adaboost算法提供的是框架；当使用简单分类器时，计算出的结果是可以理解的，而且弱分类器构造极其简单；简单，不用做特征筛选；不用担心过拟合
缺点：对离群点敏感
模型稳定性
SVM > kNN > Naive Bayes > LR / Reception > Neutral Networks > Decision Trees
网友评论