机器学习中几个常见模型的优缺点

朴素贝叶斯：优点：对小规模的数据表现很好，适合多分类任务，适合增量式训练。 缺点：对输入数据的表达形式很敏感（连续数据的处理方式）。 决策树：优点：计算量简单，可解释性强，比较适合处理有缺失属性值的样本，能够处理不相关的特征。缺点：容易过拟合（后续出现了随机森林，减小了过拟合现象）。 逻辑回归：优点：实现简单，分类时计算量非常小，速度很快，存储资源低。缺点：容易欠拟合，一般准确度不高；只能处理二分

>>阅读原文<<