总结常用机器学习算法的实践场景

在机器学习中我们对常用模型已有初步的了解，那么在实践中成功的应用机器学习模型算法才是更加重要的。而对于何时使用哪一种模型效果会更好，对此我做出的一些简单总结

1.KNN （k近邻）
适用于小型数据集，knn作为基准模型有很好的效果，但是因为预测性能不佳，导致其适用性的减弱，但是其原理简单，比较容易解释
2.线性回归（线性模型）
线性模型是一种非常常用的算法，在性能上比较可靠，适用于非常大的数据集，并且适用于高维数据。
3.决策树
速度很快，而且不需要对数据进行缩放处理，结构清晰支持可视化。但是要注意在遇到连续数据时需要将数据离散化处理，对输入数据集的要求较为苛刻。
4.随机森林
random forest是一种优秀的学习集成算法，几乎总是比单棵决策树效果更好，鲁棒性强，也是不需要数据缩放，但是不适用于高维度稀疏数据。
5.朴素贝叶斯
朴素贝叶斯只适用于分类问题的处理，与线性模型相比，比线性模型更快，并且适用于非常大的数据集与高维数据。模型的精确度要普遍低于线性模型。
6.梯度提升树(GBDP)
也是一种集成学习算法，精度通常比随机森林略微高出，与随机森林相比，训练速度慢，但预测速度更快，空间复杂度更低，比随机森林需要更多的参数调节。
7.支持向量机
对于特征含义相似的中等大小的数据集很强大。需要对数据进行缩放处理，而且对参数很敏感。
8.bp神经网络
可以构建非常复杂的模型，特别是对大型数据集而言，神经网络相对于数据缩放十分敏感，对参数的添加与选取也很敏感，通常我们使用TensorFlow、keras、caffe等深度学习框架来进行构建，训练时间长也是神经网络的特点之一。

• 参考 《机器学习基础》