my machine learning

分类：

1.kNN

优点：精度高、对异常值不敏感、无数据输入假定。

缺点：计算复杂度高、空间复杂度高。

适用数据范围：数值型和标称型。

2.决策树

优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特称数据。

缺点：可能会产生过度匹配问题。

适用数据类型：数值型和标称型。

ID3可以用于划分标称型数据。构建决策树时，通常采用递归的方法将数据集转化成决策树。还有其他决策树的构造方法:C4.5、CART

3.朴素贝叶斯

优点：在数据较少的情况下仍然有效，可以处理多类别问题。

缺点：对于输入数据的准备方式较为敏感。

适用数据类型：标称型数据。

4.Logistic回归

优点：计算代价不高，易于理解和实现。

缺点：容易欠拟合，分类精度可能不高。

适用数据类型：数值型和标称型数据。

5.SVM

优点：泛化错误率低，计算开销不大，结果易解释。

缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。

使用数据类型：数值型和标称型数据。

回归：

普通最小二乘法，局部加权线性回归，缩减法----岭回归

树回归：

优点：可以对复杂和非线性的数据建模。

缺点：结果不易理解。

使用数据类型：数值型和标称型。