常见机器学习优点和缺点

1、朴素贝叶斯：生成式模型

优点：

发源于古典数学理论，有坚实的数学基础，以及稳定的分类效率

速度较快，对特征概率的运算

对小规模数据表现很好，能处理多分类任务

对缺失值不敏感，算法简单，常用于文本分类

对结果解释容易理解

缺点：

需要计算先验概率

对输入数据的表达形式很敏感

由于使用了样本属性相互独立的假设，故如果样本属性有关联时效果不好

应用：

文本分类；人脸识别

2、逻辑回归：判别式模型

优点：

实现简单，广泛的应用于工业问题上

计算量非常小，速度快，存储资源低

便利的观测样本概率分数

多重线性并不是问题，可结合L2正则化来解决问题

易于理解和实现

缺点：

容易欠拟合，一般准确度不高