（文章來源：不靠譜的貓）

機器學習中有許多分類算法。本文將介紹分類中使用的各種機器學習算法的優缺點，還將列出他們的應用范圍。

SVM（支持向量機），SVM的優點：1.在高維中表現良好。在現實世界中有無限維度(不僅僅是2D和3D)。例如，圖像數據、基因數據、醫學數據等具有更高的維數，支持向量機在這方面是有用的。基本上，當特征/列的數量較多時，SVM表現良好。

2.類可分離時的最佳算法（當兩個類的實例可以通過直線或非線性輕松分隔時）。為了描述可分離的類，讓我們舉個例子（這里以線性分離為例，通過繪制拋物線等，類也可以是非線性可分離的）。在第一個圖中，您無法輕易分辨X是屬于類1還是類2，但是在情況2中，您可以輕易判斷出X屬于類2。因此，在第二種情況下，類是線性可分離的。3. 離群值的影響較小。4. SVM適用于極端情況下的二元分類。

SVM的缺點：1. 慢：對于較大的機器學習數據集，需要大量時間來處理。2. 重疊類的性能不佳：重疊類的情況下效果不佳。3. 選擇適當的超參數很重要：這將允許足夠的泛化性能。4. 選擇適當的核函數可能比較麻煩。SVM的應用范圍：Bag of words應用程序（許多特征和列），語音識別數據，圖像分類（非線性數據），醫學分析（非線性數據），文本分類（許多特征）。

樸素貝葉斯，樸素貝葉斯的優點：1.實時預測：速度非常快，可以實時使用。2. 可通過大型數據集進行擴展。3. 對無關特征不敏感。4. 在樸素貝葉斯中可以有效地進行多類預測。5. 具有高維數據的良好性能（特征數量很大）。

樸素貝葉斯的缺點：1.特征的獨立性不成立：樸素貝葉斯的基本假設是每個特征對結果做出獨立且平等的貢獻。但是，大多數情況下不滿足此條件。2. 糟糕的估算器：不要太認真看待預測的概率輸出。3. 訓練數據應該很好地代表總體：如果沒有一起出現類別標簽和某個屬性值（例如，class =“ No”，shape =“ Overcast”），則后驗概率為零。因此，如果訓練數據不能代表總體，那么樸素貝葉斯將無法很好地工作。

樸素貝葉斯的應用范圍：樸素貝葉斯可用于文本分類（可以預測多個類別，并且不介意處理不相關的特征）、垃圾郵件過濾（識別垃圾郵件）、情感分析（在社交媒體分析中識別正面和負面情緒），推薦系統（用戶下一步將購買什么）。

邏輯回歸，邏輯回歸的優點：1.易于實現2. 有效3. 不需要縮放特征：不需要縮放輸入特征（也可以使用縮放特征，但是不需要縮放）。3. 不需要調整超參數。

邏輯回歸的缺點：1.非線性數據（例如圖像數據）性能不佳。2. 具有不相關和高度相關的特征的性能較差（刪除相似或相關的特征和不相關的特征）。3. 不是很強大的算法，很容易被其他算法超越。4. 高度依賴正確的數據表示。所有重要的變量/特性都應該被識別，這樣才能很好地工作。

邏輯回歸的應用范圍：最好是任何二元分類問題（它也可以執行多類分類，但最好是二元的）。如果您的輸出類有兩個結果，則可以使用它，例如癌癥檢測問題，客戶借貸時是否違約，客戶是否流失，電子郵件是否為垃圾郵件等。
? ? ?（責任編輯：fqj）