持续更新中...
1.k-近邻算法
优势：精度高、对异常值不敏感、无数据输入设定
缺点：计算复杂度高、空间复杂度高
适用数据范围：数值型和标称型
适用场景：
2.ID3决策树算法
优势：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据
劣势：可能会产生过度匹配问题
适用数据类型：标称型
适用场景：
3.朴素贝叶斯
优势：在数据较少的情况下仍然有效，可以处理多类别问题
劣势：对于输入数据的准备方式较为敏感
适用数据类型：标称型数据
适用场景：文档分类
持续更新中...
1.k-近邻算法
优势：精度高、对异常值不敏感、无数据输入设定
缺点：计算复杂度高、空间复杂度高
适用数据范围：数值型和标称型
适用场景：
2.ID3决策树算法
优势：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据
劣势：可能会产生过度匹配问题
适用数据类型：标称型
适用场景：
3.朴素贝叶斯
优势：在数据较少的情况下仍然有效，可以处理多类别问题
劣势：对于输入数据的准备方式较为敏感
适用数据类型：标称型数据
适用场景：文档分类
原文：https://www.cnblogs.com/conor/p/8149545.html