机器算法领域有不少常用的算法，之前我们的文章都有进行分享。这篇文章，我们来汇总整理下，方便大家更好理解。

前阵子对机器学习的各算法进行了逐一讲解，为了让大家有更好地理解，现把算法进行汇总如下：

1、整体上这些算法都比较简单，可解释性都比较强，其异常值都比较敏感。其中支持向量机算法复杂度相较其它算法更高，决策树算法的可解释性会更强，朴素贝叶斯算法对异常值不会特别敏感。

2、从算法的分类上来说，k-means算法属于聚类算法，线性回归属于回归算法，其它都属于分类算法。

3、关于分类算法

既可处理分类问题又可处理回归问题的算法有K近邻算法、决策树算法。（其实支持向量机算法也可以，只是图中支持向量机算法其实只是分类类型，未涵盖回归类型。）可解决多分类的算法有K近邻算法、决策树算法、朴素贝叶斯算法。逻辑回归算法、支持向量机算法只能支持二分类算法。适合处理高维数据的分类算法有朴素贝叶斯算法、支持向量机算法。（线性回归算法也可以处理高维数据。）而逻辑回归算法（高维数据容易过拟合）、K近邻算法（高维数据带来维度灾难）、决策树算法（高维数据计算会比较复杂）都不太适合处理高维数据。适合处理大样本数据的分类算法有逻辑回归算法、决策树算法。而K近邻算法（大样本数据计算复杂）、朴素贝叶斯算法不合适处理大样本数据。（非分类算法中的，线性回归算法、K-means算法都适合处理大样本数据）。适用场景来说，基本都适用在推荐系统、图片识别、文本分类、情感分析、疾病或设备仪器诊断等。

对于算法的优缺点及适用场景，建议在理解算法的原理上去理解记忆。对于算法的熟练掌握更多是对算法工程师的要求，AI产品经理懂得基本原理及适用场景就好。

转载请注明：可思数据 » 机器学习常用算法对比总结