DS&ML 分类算法笔记：常见模型优缺点比较

其他相关文章

DS&ML_关联分析笔记
DS&ML_分类算法笔记之支持自动机SVM模型
DS&ML_分类算法笔记之随机森林、梯度提升树、XGBoost模型
DS&ML_分类算法笔记之k-近邻、KD-Tree模型
DS&ML_降维算法笔记之主成分分析PCA模型
DS&ML_分类算法笔记之朴素贝叶斯模型
DS&ML_聚类算法笔记之k-means模型
DS&ML_分类算法笔记之决策树模型
DS&ML_分类算法笔记之逻辑回归模型

常见模型优缺点比较，包括对缺失值极端值敏感性的对比记录

(Copyright © <>. All Rights Reserved)

逻辑回归

优点

• 该算法在处理速度上表现出色，并特别适用于解决二分类问题。
• 该模型具有直观的可解释性特点，并能直接展示各个特征的重要性及其对目标变量的影响。
• 该方法允许模型方便地更新并及时吸收新的数据信息。

缺点

• 类别属于非连续型而非连续型变量
• 容易受到缺失值与极端值的影响，在各个样本之间相互作用
• 适用性受限，在某些数据或场景下表现不如决策树算法

决策树

优点

• 决策树易于理解，并通过其生成的规则系统，在业务场景中