算法的优缺点_机器学习算法入门：从贝叶斯到深度学习及各自优缺点

文章发布于公号【数智物语】 (ID：decision_engine)，关注公号不错过每一篇干货。

来源：机器之心(ID：almosthuman2014)编译

原文：static.coggle.it

导读：在我们日常生活中所用到的推荐系统、智能图片美化应用和聊天机器人等应用中，各种各样的机器学习和数据处理算法正尽职尽责地发挥着自己的功效。本文筛选并简单介绍了一些最常见算法类别，还为每一个类别列出了一些实际的算法并简单介绍了它们的优缺点。

目录

1. 正则化算法(Regularization Algorithms)

2. 集成算法(Ensemble Algorithms)

3. 决策树算法(Decision Tree Algorithm)

4. 回归(Regression)

5. 人工神经网络(Artificial Neural Network)

6. 深度学习(Deep Learning)

7. 支持向量机(Support Vector Machine)

8. 降维算法(Dimensionality Reduction Algorithms)

9. 聚类算法(Clustering Algorithms)

10. 基于实例的算法(Instance-based Algorithms)

11. 贝叶斯算法(Bayesian Algorithms)

12. 关联规则学习算法(Association Rule Learning Algorithms)

13. 图模型(Graphical Models)

01 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：

1. 岭回归(Ridge Regression)

2. 最小绝对收缩与选择算子(LASSO)

3. GLASSO

4.