数据分析与挖掘笔记（十三）------挖掘建模之分类预测模型特点

常见的模型评价和在python中的实现

模型	模型特点	支持库
逻辑回归	比较基础的线性分析模型，很多时候是简单有效的选择	sklearn.linear_model
SVM	强大的模型，可以用来回归、预测、分类等，而根据选取不同的核函数。模型可以是线性的/非线性的	sklearn.svm
决策树	基于“分类讨论、逐步细化”思想的分类模型，模型直观，易解释	sklearn.tree
随机森林	思想跟决策树类似，精度通常比决策树要高，缺点是由于其随机性，丧失了决策树的可解释性	sklearn.ensemble
朴素贝叶斯	基于概率思想的简单有效的分类模型，能够给出容易理解的概率解释	sklearn.naive_bayes
神经网络	具有强的的拟合能力，可以用于拟合、分类等，他有很多个增强版本，如递归神经网络，卷积神经网络、自编码器等，这些是深度学习的模型基础	Keras

建模的第一个步骤是建立一个对象，这个对象是空白的，需要进一步训练，然后我们要设置模型的参数，接着就是通过fit()方法对模型进行训练，最后通过predict()方法预测结果。当然，还有一些方法有助于我们完成对模型的评估，如score()等。