简单阐述下决策树、回归、SVM、神经网络等算法各自的优缺点？

正则化算法（Regularization Algorithms）
集成算法（Ensemble Algorithms）

决策树算法（Decision Tree Algorithm）
回归（Regression）
人工神经网络（Artificial Neural Network）
深度学习（Deep Learning）
支持向量机（Support Vector Machine）
降维算法（Dimensionality Reduction Algorithms）

聚类算法（Clustering Algorithms）
基于实例的算法（Instance-based Algorithms）
贝叶斯算法（Bayesian Algorithms）
关联规则学习算法（Association Rule Learning Algorithms）
图模型（Graphical Models）

七月在线价值千元【电商用户行为预测实战特训】课，限时1元秒杀！

12个实战项目 + 全套课件代码 + 共学社群答疑

课程链接：https://www.julyedu.com/course/getDetail/359&from=CSDN

本课程以真实的实际案例为主线，深入浅出掌握数据挖掘建模全流程，从业务分析到内容落地，助力小伙伴们快速入门。

解析：
一、正则化算法（Regularization Algorithms）

它是另一种方法（通常是回归方法）的拓展，这种方法会基于模型复杂性对其进行惩罚，它喜欢相对简单能够更好的泛化的模型。

例子：
岭回归（Ridge Regression）
最小绝对收缩与选择算子（LASSO）
GLASSO
弹性网络（Elastic Net）
最小角回归（Least-Angle Regression）

优点：
其惩罚会减少过拟合
总会有解决方法

缺点：
惩罚会造成欠拟合
很难校准

二、集成算法（Ensemble algorithms）

集成方法是由多个较弱的模型集成模型组，其中的模型可以单独进行训练，并且它们的预测能以某种方式结合起来去做出一个总体预测。

该算法主要的问题是要找出哪些较弱的模型可以结合起来，以及结合的方法。这是一个非常强大的技术集，因此广受欢迎。