机器学习算法的介绍及算法优缺点的分析

　　机器学习算法数不胜数，要想找到一个合适的算法并不是一件简单的事情。通常在对精度要求较高的情况下，最好的方法便是通过交叉验证来对各个算法一一尝试，进行比较后再调整参数以确保每个算法都能达到最优解，并从优中择优。但是每次都进行这一操作不免过于繁琐，下面小编来分析下各个算法的优缺点，以助大家有针对性地进行选择，解决问题。

　　1.朴素贝叶斯

　　朴素贝叶斯的思想十分简单，对于给出的待分类项，求出在此项出现的条件下各个类别出现的概率，以概率大小确定分类项属于哪个类别。

　　优点：

　　1）朴素贝叶斯模型发源于古典数学理论，因此有着坚实的数学基础，以及稳定的分类效率；

　　2）算法较简单，常用于文本分类；

　　3）对小规模的数据表现很好，能够处理多分类任务，适合增量式训练。

　　缺点：

　　1）需要计算先验概率；

　　2）对输入数据的表达形式很敏感；

　　3）分类决策存在错误率。

　　2.逻辑回归

　　优点：

　　1）实现简单，广泛地应用于工业问题上；

　　2）可以结合L2正则化解决多重共线性问题；

　　3）分类时计算量非常小，速度很快，存储资源低；

　　缺点：

　　1）不能很好地处理大量多类特征或变量；

　　2）容易欠拟合，一般准确度较低；

　　3）对于非线性特征，需要进行转换；

　　4）当特征空间很大时，逻辑回归的性能不是很好；

　　5）只能处理两分类问题（在该基础上衍生出来的softmax可以用于多分类），且必须线性可分。