機器學習中幾個常見模型的優缺點

樸素貝葉斯：優勢：對小規模的數據表現很好，適合多分類任務，適合增量式訓練。函數 缺點：對輸入數據的表達形式很敏感（連續數據的處理方式）。spa 決策樹：優勢：計算量簡單，可解釋性強，比較適合處理有缺失屬性值的樣本，可以處理不相關的特徵。缺點：容易過擬合（後續出現了隨機森林，減少了過擬合現象）。blog 邏輯迴歸：優勢：實現簡單，分類時計算量很是小，速度很快，存儲資源低。缺點：容易欠擬合，通常準確度

>>阅读原文<<