常见机器学习算法优缺点

1.朴素贝叶斯
模型形式：生成模型
优点：
    实现简单，所需要的估计参数很少，很好的利用了先验知识，学习和预测效率都很高。
    对小规模的数据表现很好，能处理多分类任务，适合增量式训练。
    对缺失数据不太敏感。
缺点：
    对发生频率较低的事件预测效果不好。

2.KNN算法
模型形式：判别模型
优点：
    模型不需要预先构造
    对异常值不敏感
缺点：
    搜索邻居样本计算量大
    需要大量的内存
    需要预先设置k值
   
3.决策树
模型形式：判别模型
优点：
    计算量简单，可解释性强，效率高
    比较适合处理有缺失属性值的样本
缺点：
    容易过拟合（后续出现了随机森林，减小了过拟合现象）；
    忽略了数据之间的相关性；
   
4.线性回归
优点：
    实现简单，计算简单；
缺点：
    不能拟合非线性数据；

5.Logistic回归
优点：
    实现简单；
    分类时计算量非常小，速度很快，存储资源低；
    可以处理非线性数据
缺点：
    容易欠拟合，一般准确度不太高