機器學習中幾個常見模型的優缺點

樸素貝葉斯：優點：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。 缺點：對輸入數據的表達形式很敏感（連續數據的處理方式）。 決策樹：優點：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，能夠處理不相關的特徵。缺點：容易過擬合（後續出現了隨機森林，減小了過擬合現象）。 邏輯迴歸：優點：實現簡單，分類時計算量非常小，速度很快，存儲資源低。缺點：容易欠擬合，一般準確度不高；只能處理二分

>>阅读原文<<