目录
1. 逻辑回归（Logistic Regression）
2. 支持向量机（Support Vector Machine, SVM）
3. 决策树（Decision Tree）
4. 随机森林（Random Forest）
5. K近邻（K-Nearest Neighbors, KNN）
1. 逻辑回归（Logistic Regression）
应用场景：
- 适用于二分类或多分类问题，如邮件是否为垃圾邮件、疾病检测等。
优点：
- 实现简单，速度快。
- 适用于大规模数据集。
- 可解释性强。
缺点：
- 对非线性特征处理能力较弱。
- 容易受到特征相关性的影响。
2. 支持向量机（Support Vector Machine, SVM）
应用场景：
- 高维数据分类，如文本分类、图像识别等。
- 样本数量相对较少的情况。
优点：
- 在高维空间中表现优异。
- 对噪声和异常值有较好的鲁棒性。
缺点：
- 对于大规模数据集，训练时间较长。
- 对参数和核函数的选择敏感。
3. 决策树（Decision Tree）
应用场景：
- 数据探索、特征选择。
- 易于理解的分类场景，如信用评分、医疗诊断等。
优点：
- 易于理解和解释。
- 能够处理非数值型数据。
- 对特征的选择和数据的缩放不敏感。
缺点：
- 容易过拟合。
- 对噪声和异常值敏感。
4. 随机森林（Random Forest）
应用场景：
- 用于各种分类问题，特别是当数据集中有很多特征时。
- 处理不平衡数据集。
优点：
- 精度高。
- 能够处理高维数据。
- 对异常值和噪声有较好的容忍度。
缺点：
- 可能比单一决策树更难以解释。
- 训练时间长。
5. K近邻（K-Nearest Neighbors, KNN）
应用场景：
- 当数据集中特征数量不多，且数据规模适中的情况。
- 分类边界不规则的问题，例如手写数字识别、文本分类等。
优点：
- 算法简单直观，易于理解。
- 无需训练阶段，只需存储数据集。
- 对非线性问题有一定的处理能力。
缺点：
- 计算量大，特别是当数据集很大时，预测速度较慢。
- 对参数K的选择敏感，需要调整以找到最佳值。
- 对数据的尺度（scale）敏感，需要先进行归一化处理。
