各类算法及其适用场景如下图所示。 二分类Two-class Classification 二分类支持向量机Two-class SVM 适用于数据特征较多,线性模型的场景 二分类平均感知器Two-class Average Perceptron 适用于训练时间短,线性模型的场景 二分类逻辑回归Two-class Logistic Regression 二分类贝叶斯点机Two-class Bayes Point Machine 二分类提升决策树Two-class Boosted Decision Tree 适用于训练时间短,精准度高,内存占用量大的场景 二分类决策丛林Two-class Decision Jungle 适用于训练时间短,精确度高,内存占用量小的场景 二分类局部深度支持向量机Two-class Locally Deep SVM 适用于数据特征较多的场景 二分类神经网络Two-class Neural Network 适用于精准度高,训练时间较长的场景 二分类决策森林Two-class Decision Forest 适用于训练时间短,精准的场景 多分类Multi-class Classification 多分类逻辑回归Multiclass Logistic Regression 多分类神经网络Multiclass Neural Network 多分类决策森林Multiclass Decision Forest 多分类决策丛林Multiclass Decision Jungle 适用于精准度高,内存占用较小的场景 '一对多'多分类One-vs-all Multiclass 取决于二分类器效果 回归Regression 排序回归Ordinal Regression 适用于对数据进行分类排序的场景 泊松回归Poission Regression 适用于预测事件次数的场景 快速森林分位数回归Fast Forest Quantile Regression 适用于预测分布的场景 线性回归Linear Regression 贝叶斯线性回归Bayesian Linear Regression 适用于线性模型,训练数据量较少的场景 神经网络回归Neural Network Regression 决策森林回归Decision Forest Regression 提升决策树回归Boosted Decision Tree Regression 聚类Clustering 层次聚类Hierarchical Clustering 适用于训练时间短,大数据量的场景 K-means算法 模糊聚类FCM算法Fuzzy C-means,FCM SOM神经网络Self-organizing Feature Map,SOM 适用于运行时间较长的场景 异常检测Anomaly Detection 一分类支持向量机One-class SVM 适用于数据特征较多的场景 基于PCA的异常检测PCA-based Anomaly Detection 适用于训练时间短的场景 图 13、