機器學習算法太多了，分類、回歸、聚類、推薦、圖像識別領域等等，要想找到一個合適算法真的不容易，所以在實際應用中，我們一般都是采用啟發式學習方式來實驗。通常最開始我們都會選擇大家普遍認同的算法，諸如SVM，GBDT，Adaboost，現在深度學習很火熱，神經網絡也是一個不錯的選擇。假如你在乎精度（accuracy）的話，最好的方法就是通過交叉驗證（cross-validation）對各個算法一個個地進行測試，進行比較，然后調整參數確保每個算法達到最優解，最后選擇最好的一個。但是如果你只是在尋找一個“足夠好”的算法來解決你的問題，或者這里有些技巧可以參考，下面來分析下各個算法的優缺點，基于算法的優缺點，更易于我們去選擇它。

偏差&方差

在統計學中，一個模型好壞，是根據偏差和方差來衡量的，所以我們先來普及一下偏差和方差：

偏差：描述的是預測值（估計值）的期望E’與真實值Y之間的差距。偏差越大，越偏離真實數據。

方差：描述的是預測值P的變化范圍，離散程度，是預測值的方差，也就是離其期望值E的距離。方差越大，數據的分布越分散。

模型的真實誤差是兩者之和。

如果是小訓練集，高偏差/低方差的分類器（例如，樸素貝葉斯NB）要比低偏差/高方差大分類的優勢大（例如，KNN），因為后者會過擬合。但是，隨著你訓練集的增長，模型對于原數據的預測能力就越好，偏差就會降低，此時低偏差/高方差分類器就會漸漸的表現其優勢（因為它們有較低的漸近誤差），此時高偏差分類器此時已經不足以提供準確的模型了。

當然，你也可以認為這是生成模型（NB）與判別模型（KNN）的一個區別。

為什么說樸素貝葉斯是高偏差低方差?

以下內容引自知乎：

首先，假設你知道訓練集和測試集的關系。簡單來講是我們要在訓練集上學習一個模型，然后拿到測試集去用，效果好不好要根據測試集的錯誤率來衡量。但很多時候，我們只能假設測試集和訓練集的是符合同一個數據分布的，但卻拿不到真正的測試數據。這時候怎么在只看到訓練錯誤率的情況下，去衡量測試錯誤率呢？

由于訓練樣本很少（至少不足夠多），所以通過訓練集得到的模型，總不是真正正確的。（就算在訓練集上正確率100%，也不能說明它刻畫了真實的數據分布，要知道刻畫真實的數據分布才是我們的目的，而不是只刻畫訓練集的有限的數據點）。而且，實際中，訓練樣本往往還有一定的噪音誤差，所以如果太追求在訓練集上的完美而采用一個很復雜的模型，會使得模型把訓練集里面的誤差都當成了真實的數據分布特征，從而得到錯誤的數據分布估計。這樣的話，到了真正的測試集上就錯的一塌糊涂了（這種現象叫過擬合）。但是也不能用太簡單的模型，否則在數據分布比較復雜的時候，模型就不足以刻畫數據分布了（體現為連在訓練集上的錯誤率都很高，這種現象較欠擬合）。過擬合表明采用的模型比真實的數據分布更復雜，而欠擬合表示采用的模型比真實的數據分布要簡單。

在統計學習框架下，大家刻畫模型復雜度的時候，有這么個觀點，認為Error = Bias + Variance。這里的Error大概可以理解為模型的預測錯誤率，是有兩部分組成的，一部分是由于模型太簡單而帶來的估計不準確的部分（Bias），另一部分是由于模型太復雜而帶來的更大的變化空間和不確定性（Variance）。

所以，這樣就容易分析樸素貝葉斯了。它簡單的假設了各個數據之間是無關的，是一個被嚴重簡化了的模型。所以，對于這樣一個簡單模型，大部分場合都會Bias部分大于Variance部分，也就是說高偏差而低方差。

在實際中，為了讓Error盡量小，我們在選擇模型的時候需要平衡Bias和Variance所占的比例，也就是平衡over-fitting和under-fitting。

當模型復雜度上升的時候，偏差會逐漸變小，而方差會逐漸變大。

常見算法優缺點

1.樸素貝葉斯

樸素貝葉斯屬于生成式模型（關于生成模型和判別式模型，主要還是在于是否是要求聯合分布），非常簡單，你只是做了一堆計數。如果注有條件獨立性假設（一個比較嚴格的條件），樸素貝葉斯分類器的收斂速度將快于判別模型，如邏輯回歸，所以你只需要較少的訓練數據即可。即使NB條件獨立假設不成立，NB分類器在實踐中仍然表現的很出色。它的主要缺點是它不能學習特征間的相互作用，用mRMR中R來講，就是特征冗余。引用一個比較經典的例子，比如，雖然你喜歡Brad Pitt和Tom Cruise的電影，但是它不能學習出你不喜歡他們在一起演的電影。

優點：

樸素貝葉斯模型發源于古典數學理論，有著堅實的數學基礎，以及穩定的分類效率。

對小規模的數據表現很好，能個處理多分類任務，適合增量式訓練；

對缺失數據不太敏感，算法也比較簡單，常用于文本分類。

缺點：

需要計算先驗概率；

分類決策存在錯誤率；

對輸入數據的表達形式很敏感。

2.Logistic Regression（邏輯回歸）

屬于判別式模型，有很多正則化模型的方法（L0， L1，L2，etc），而且你不必像在用樸素貝葉斯那樣擔心你的特征是否相關。與決策樹與SVM機相比，你還會得到一個不錯的概率解釋，你甚至可以輕松地利用新數據來更新模型（使用在線梯度下降算法，online gradient descent）。如果你需要一個概率架構（比如，簡單地調節分類閾值，指明不確定性，或者是要獲得置信區間），或者你希望以后將更多的訓練數據快速整合到模型中去，那么使用它吧。

Sigmoid函數：

g(x)=1/(1+exp(-x))

優點：?

實現簡單，廣泛的應用于工業問題上；

分類時計算量非常小，速度很快，存儲資源低；

便利的觀測樣本概率分數；

對邏輯回歸而言，多重共線性并不是問題，它可以結合L2正則化來解決該問題；

缺點：

當特征空間很大時，邏輯回歸的性能不是很好；

容易欠擬合，一般準確度不太高

不能很好地處理大量多類特征或變量；

只能處理兩分類問題（在此基礎上衍生出來的softmax可以用于多分類），且必須線性可分；

對于非線性特征，需要進行轉換；

3.線性回歸

線性回歸是用于回歸的，而不像Logistic回歸是用于分類，其基本思想是用梯度下降法對最小二乘法形式的誤差函數進行優化，當然也可以用normal equation直接求得參數的解，結果為：

而在LWLR（局部加權線性回歸）中，參數的計算表達式為:

由此可見LWLR與LR不同，LWLR是一個非參數模型，因為每次進行回歸計算都要遍歷訓練樣本至少一次。

優點： 實現簡單，計算簡單；

缺點： 不能擬合非線性數據.

4.最近鄰算法——KNN

KNN即最近鄰算法，其主要過程為：

1. 計算訓練樣本和測試樣本中每個樣本點的距離（常見的距離度量有歐式距離，馬氏距離等）； 2. 對上面所有的距離值進行排序； 3. 選前k個最小距離的樣本； 4. 根據這k個樣本的標簽進行投票，得到最后的分類類別；?

如何選擇一個最佳的K值，這取決于數據。一般情況下，在分類時較大的K值能夠減小噪聲的影響。但會使類別之間的界限變得模糊。一個較好的K值可通過各種啟發式技術來獲取，比如，交叉驗證。另外噪聲和非相關性特征向量的存在會使K近鄰算法的準確性減小。

近鄰算法具有較強的一致性結果。隨著數據趨于無限，算法保證錯誤率不會超過貝葉斯算法錯誤率的兩倍。對于一些好的K值，K近鄰保證錯誤率不會超過貝葉斯理論誤差率。

KNN算法的優點

理論成熟，思想簡單，既可以用來做分類也可以用來做回歸；

可用于非線性分類；

訓練時間復雜度為O(n)；

對數據沒有假設，準確度高，對outlier不敏感；

缺點

計算量大；

樣本不平衡問題（即有些類別的樣本數量很多，而其它樣本的數量很少）；

需要大量的內存；

5.決策樹

易于解釋。它可以毫無壓力地處理特征間的交互關系并且是非參數化的，因此你不必擔心異常值或者數據是否線性可分（舉個例子，決策樹能輕松處理好類別A在某個特征維度x的末端，類別B在中間，然后類別A又出現在特征維度x前端的情況）。它的缺點之一就是不支持在線學習，于是在新樣本到來后，決策樹需要全部重建。另一個缺點就是容易出現過擬合，但這也就是諸如隨機森林RF（或提升樹boosted tree）之類的集成方法的切入點。另外，隨機森林經常是很多分類問題的贏家（通常比支持向量機好上那么一丁點），它訓練快速并且可調，同時你無須擔心要像支持向量機那樣調一大堆參數，所以在以前都一直很受歡迎。

決策樹中很重要的一點就是選擇一個屬性進行分枝，因此要注意一下信息增益的計算公式，并深入理解它。

信息熵的計算公式如下:

其中的n代表有n個分類類別（比如假設是2類問題，那么n=2）。分別計算這2類樣本在總樣本中出現的概率p1和p2，這樣就可以計算出未選中屬性分枝前的信息熵。

現在選中一個屬性$x_i$用來進行分枝，此時分枝規則是：如果$x_i=v$的話，將樣本分到樹的一個分支；如果不相等則進入另一個分支。很顯然，分支中的樣本很有可能包括2個類別，分別計算這2個分支的熵H1和H2,計算出分枝后的總信息熵H’ =p1 ?H1+p2 ?H2,則此時的信息增益ΔH = H - H’。以信息增益為原則，把所有的屬性都測試一邊，選擇一個使增益最大的屬性作為本次分枝屬性。

決策樹自身的優點

計算簡單，易于理解，可解釋性強；

比較適合處理有缺失屬性的樣本；

能夠處理不相關的特征；

在相對短的時間內能夠對大型數據源做出可行且效果良好的結果。

缺點

容易發生過擬合（隨機森林可以很大程度上減少過擬合）；

忽略了數據之間的相關性；

對于那些各類別樣本數量不一致的數據，在決策樹當中,信息增益的結果偏向于那些具有更多數值的特征（只要是使用了信息增益，都有這個缺點，如RF）。

5.1 Adaboosting

Adaboost是一種加和模型，每個模型都是基于上一次模型的錯誤率來建立的，過分關注分錯的樣本，而對正確分類的樣本減少關注度，逐次迭代之后，可以得到一個相對較好的模型。是一種典型的boosting算法。下面是總結下它的優缺點。

優點

adaboost是一種有很高精度的分類器。

可以使用各種方法構建子分類器，Adaboost算法提供的是框架。

當使用簡單分類器時，計算出的結果是可以理解的，并且弱分類器的構造極其簡單。

簡單，不用做特征篩選。

不容易發生overfitting。

關于隨機森林和GBDT等組合算法，參考這篇文章：機器學習-組合算法總結

缺點：對outlier比較敏感

5.2 xgboost

這是一個近年來出現在各大比賽的大殺器，奪冠選手很大部分都使用了它。

高準確率高效率高并發，支持自定義損失函數，既可以用來分類又可以用來回歸

可以像隨機森林一樣輸出特征重要性，因為速度快，適合作為高維特征選擇的一大利器

在目標函數中加入正則項，控制了模型的復雜程度，可以避免過擬合

支持列抽樣，也就是隨機選擇特征，增強了模型的穩定性

對缺失值不敏感，可以學習到包含缺失值的特征的分裂方向

另外一個廣受歡迎的原因是支持并行，速度杠杠的

用的好，你會發現他的全部都是優點

6.SVM支持向量機

高準確率，為避免過擬合提供了很好的理論保證，而且就算數據在原特征空間線性不可分，只要給個合適的核函數，它就能運行得很好。在動輒超高維的文本分類問題中特別受歡迎。可惜內存消耗大，難以解釋，運行和調參也有些煩人，而隨機森林卻剛好避開了這些缺點，比較實用。

優點

可以解決高維問題，即大型特征空間；

能夠處理非線性特征的相互作用；

無需依賴整個數據；

可以提高泛化能力；

需要對數據提前歸一化，很多人使用的時候忽略了這一點，畢竟是基于距離的模型，所以LR也需要歸一化

缺點

當觀測樣本很多時，效率并不是很高；

一個可行的解決辦法是模仿隨機森林，對數據分解，訓練多個模型，然后求平均，時間復雜度降低p倍，分多少份，降多少倍

對非線性問題沒有通用解決方案，有時候很難找到一個合適的核函數；

對缺失數據敏感；

對于核的選擇也是有技巧的（libsvm中自帶了四種核函數：線性核、多項式核、RBF以及sigmoid核）：

第一，如果樣本數量小于特征數，那么就沒必要選擇非線性核，簡單的使用線性核就可以了；

第二，如果樣本數量大于特征數目，這時可以使用非線性核，將樣本映射到更高維度，一般可以得到更好的結果；

第三，如果樣本數目和特征數目相等，該情況可以使用非線性核，原理和第二種一樣。

對于第一種情況，也可以先對數據進行降維，然后使用非線性核，這也是一種方法。

7. 人工神經網絡的優缺點

人工神經網絡的優點：

分類的準確度高；

并行分布處理能力強,分布存儲及學習能力強，

對噪聲神經有較強的魯棒性和容錯能力，能充分逼近復雜的非線性關系；

具備聯想記憶的功能。

人工神經網絡的缺點：

神經網絡需要大量的參數，如網絡拓撲結構、權值和閾值的初始值；

不能觀察之間的學習過程，輸出結果難以解釋，會影響到結果的可信度和可接受程度；

學習時間過長,甚至可能達不到學習的目的。

8、K-Means聚類

關于K-Means聚類的文章，鏈接：機器學習算法-K-means聚類。關于K-Means的推導，里面有著很強大的EM思想。

優點

算法簡單，容易實現 ；

對處理大數據集，該算法是相對可伸縮的和高效率的，因為它的復雜度大約是O(nkt)，其中n是所有對象的數目，k是簇的數目,t是迭代的次數。通常k<<n。這個算法通常局部收斂。

算法嘗試找出使平方誤差函數值最小的k個劃分。當簇是密集的、球狀或團狀的，且簇與簇之間區別明顯時，聚類效果較好。

缺點

對數據類型要求較高，適合數值型數據；

可能收斂到局部最小值，在大規模數據上收斂較慢

K值比較難以選取；

對初值的簇心值敏感，對于不同的初始值，可能會導致不同的聚類結果；

不適合于發現非凸面形狀的簇，或者大小差別很大的簇。

對于”噪聲”和孤立點數據敏感，少量的該類數據能夠對平均值產生極大影響。

算法選擇參考

之前翻譯過一些國外的文章，有一篇文章中給出了一個簡單的算法選擇技巧：

首當其沖應該選擇的就是邏輯回歸，如果它的效果不怎么樣，那么可以將它的結果作為基準來參考，在基礎上與其他算法進行比較；

然后試試決策樹（隨機森林）看看是否可以大幅度提升你的模型性能。即便最后你并沒有把它當做為最終模型，你也可以使用隨機森林來移除噪聲變量，做特征選擇；

如果特征的數量和觀測樣本特別多，那么當資源和時間充足時（這個前提很重要），使用SVM不失為一種選擇。

通常情況下：【XGBOOST>=GBDT>=SVM>=RF>=Adaboost>=Other…】，現在深度學習很熱門，很多領域都用到，它是以神經網絡為基礎的，目前我自己也在學習，只是理論知識不是很厚實，理解的不夠深，這里就不做介紹了。

算法固然重要，但好的數據卻要優于好的算法，設計優良特征是大有裨益的。假如你有一個超大數據集，那么無論你使用哪種算法可能對分類性能都沒太大影響（此時就可以根據速度和易用性來進行抉擇）。

總結

以上是生活随笔為你收集整理的几个常用算法的适应场景及其优缺点的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。