機(jī)器算法領(lǐng)域有不少常用的算法，之前我們的文章都有進(jìn)行分享。這篇文章，我們來匯總整理下，方便大家更好理解。
前陣子對機(jī)器學(xué)習(xí)的各算法進(jìn)行了逐一講解，為了讓大家有更好地理解，現(xiàn)把算法進(jìn)行匯總?cè)缦拢?/p>
1、整體上這些算法都比較簡單，可解釋性都比較強(qiáng)，其異常值都比較敏感。其中支持向量機(jī)算法復(fù)雜度相較其它算法更高，決策樹算法的可解釋性會更強(qiáng)，樸素貝葉斯算法對異常值不會特別敏感。
2、從算法的分類上來說，k-means算法屬于聚類算法，線性回歸屬于回歸算法，其它都屬于分類算法。
3、關(guān)于分類算法
既可處理分類問題又可處理回歸問題的算法有K近鄰算法、決策樹算法。（其實(shí)支持向量機(jī)算法也可以，只是圖中支持向量機(jī)算法其實(shí)只是分類類型，未涵蓋回歸類型。）可解決多分類的算法有K近鄰算法、決策樹算法、樸素貝葉斯算法。邏輯回歸算法、支持向量機(jī)算法只能支持二分類算法。適合處理高維數(shù)據(jù)的分類算法有樸素貝葉斯算法、支持向量機(jī)算法。（線性回歸算法也可以處理高維數(shù)據(jù)。）而邏輯回歸算法（高維數(shù)據(jù)容易過擬合）、K近鄰算法（高維數(shù)據(jù)帶來維度災(zāi)難）、決策樹算法（高維數(shù)據(jù)計(jì)算會比較復(fù)雜）都不太適合處理高維數(shù)據(jù)。適合處理大樣本數(shù)據(jù)的分類算法有邏輯回歸算法、決策樹算法。而K近鄰算法（大樣本數(shù)據(jù)計(jì)算復(fù)雜）、樸素貝葉斯算法不合適處理大樣本數(shù)據(jù)。（非分類算法中的，線性回歸算法、K-means算法都適合處理大樣本數(shù)據(jù)）。適用場景來說，基本都適用在推薦系統(tǒng)、圖片識別、文本分類、情感分析、疾病或設(shè)備儀器診斷等。
對于算法的優(yōu)缺點(diǎn)及適用場景，建議在理解算法的原理上去理解記憶。對于算法的熟練掌握更多是對算法工程師的要求，AI產(chǎn)品經(jīng)理懂得基本原理及適用場景就好。
本文由@厚謙 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。
題圖來自Unsplash，基于CC0協(xié)議。
