机器学习算法简述 与 代码实现

机器学习（一）——K-近邻（KNN）算法

机器学习（二）——K-均值聚类（K-means）算法

机器学习（三）—支持向量机

机器学习（四）—决策树

机器学习（五）—朴素贝叶斯

机器学习（六）— logistic回归

机器学习（七）—回归

机器学习（八）—Apriori算法

 

各种算法的优缺点及适用范围

	优点	缺点	适用数据类型
KNN	精度高、对异常值不敏感	计算复杂度高 空间复杂度高	数值型 标称型
K-menas	容易实现	可能收敛到局部最小， 在大规模数据集上收敛较慢	数值型
SVM	泛化错误率地，计算开销不大，结果易解释	对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题	数值型 标称型
决策树	计算复杂度不到，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关的数据特征	可能会产生过度匹配问题	数值型 标称型
朴素贝叶斯	在数据较少的情况下仍然有效，可以处理多类别问题	对于输入数据的准备方式较为敏感	标称型
逻辑回归	计算代价不高，易于理解和实现	容易欠拟合，分类精度不高	数值型 标称型
线性回归	结果易于理解，计算上不复杂	对非线性的数据拟合不好	数值型 标称型
Apriori	容易编码实现	在大数据集上可能较慢	数值型 标称型