常见机器学习算法适合使用的业务场景汇总（1）

最近进公司实习培训，大概是get了一下数据挖掘工程师的本职工作是什么：理解业务场景，根据业务抽取特征，建模预测。所以重点还是在于业务的理解与算法在什么场景下是适用的，我将最近的工作做了个总结。汇总了常见的机器学习算法适合使用的业务场景。

主要参考了以下的文章，写的很好，我写的内容相当于这两个链接的汇总和一些添加吧：

https://zhuanlan.zhihu.com/p/46831267

https://www.zhihu.com/question/26726794

部分常见机器学习算法适合使用的业务场景汇总

1正则化算法

正则化是一种降低过拟合风险的方法，本质是在模型训练的过程中，不一味的降低损失函数，追求偏差的降低，而是在损失函数中加入“正则化惩罚项”，常见的有L1、L2正则化惩罚项。惩罚项保证了模型方差与偏差之间的平衡，增加模型的方差，以确保模型的泛化性。

适用场合：模型结构复杂，数据量少。

缺点：增加欠拟合风险，难以校准（L1、L2正则化惩罚项的系数需要手动调节）。

Ps.

L0正则化的值是模型参数中非零参数的个数。

L1正则化表示各个参数绝对值之和。L0与L1可以让特征参数变得稀疏，利于特征选择。（Lasso）

L2正则化标识各个参数的平方和。L2让特征参数变得均匀。（Ridge）

正则化惩罚项带来的附加作用就是让特征之间的相关性降低，L1是将类似的特征参数变得只剩一个，L2是将具有强相关性的两个特征的参数变的类似，从而模型的稳定性得到提升。

2 集成学习（boosting+bagging+RF）

集成学习是多个弱学习器组合成为一个强学习器的方法。一般弱学习器集成的方法有两种，一种是boosting，一种是bagging。

Boosting中的弱学习器是通过串行