一、K-Means聚類算法

優點：

（1）原理簡單，實現容易，收斂速度快

（2）球形邊界效果較好

缺點：

（1）k取值不好把握

（2）非球形邊界效果較差

（3）對噪音和異常點較敏感

應用：

（1）被大多數搜索引擎用於通過相似性對網頁進行聚類，並識別搜索結果的相關率，有助於搜索引擎減少用戶的計算時間

（2）用戶畫像

（3）對數據集內部進行探索

（4）用於數據離散壓縮

（5）處理數據不平衡問題（樣本不平衡專題細講）

相似度衡量：

（1）離散變量采用曼哈頓距離

（2）連續變量采用歐式距離

（3）文本采用余弦相似度或者傑卡德系數

二、支持向量機

優點：

（1）可以通過核函數解決非線性問題

（2）解決高維度特征問題是很有效，在特征維度大於樣本數時依然有效

（3）分類準確率較高、泛化能力強

缺點：

（1）特征維度遠遠大於樣本數，表現一般（維度災難）

（2）SVM在樣本量較大時，核函數映射維度非常高時，計算量過大

（3）核函數選擇沒有統一標準

（4）不適合大數據時代大樣本

（5）SVM是二元分類算法，雖然經擴展支持多分類，但計算量巨大。目前spark只實現了二分類

應用：
（1）常用於各種金融機構的股票市場預測

三、決策樹

優點：

（1）簡單直觀，提供可視化展示

（2）基本不需要對數據進行預處理，不需要歸一化、不需要處理缺失值

（3）對於異常點容錯性較高，健壯性高

（4）解釋性好

缺點：

（1）容易過擬合，泛化能力弱，可通過設置節點最少樣本數量或限制決策樹深度改進

（2）會因為樣本發生一點點的變化導致樹的結構發生變化，可以通過集成學習來改善

應用：

（1）財務中對期權定價有很大用處

（2）遙感是基於決策樹的模式識別的應用領域

（3）銀行使用決策樹算法按貸款申請人違約付款的概率進行分類

（4）Gerber產品公司，一個流行的嬰兒產品公司，使用決策樹機器學習算法來決定他們是否應繼續使用塑料PVC（聚氯乙烯）在他們的產品。

（5）Rush大學醫學中心開發了一個名為Guardian的工具，它使用決策樹機器學習算法來識別有風險的患者和疾病趨勢

四、隨機森林

優點：

（1）訓練可以高度並行化，對於大數據時代的大樣本訓練速度有優勢

（2）對缺失值、異常值不敏感

（3）泛化能力強，不需要剪枝

（4）很難建立一個壞的隨機森林、分類精度較高

缺點：

（1）容易使用，但理論上分析較困難

（2）速度較慢，因為內含多個決策樹弱分類器

（3）取值劃分比較多的特征容易對隨機森林的決策產生影響，從而影響模型效果

應用：

（1）被銀行用來預測貸款申請人是否可能為高風險人群

（2）汽車工業中預測機械部件是否存在故障

（3）醫療保健行業預測患者是否可能發展為慢性疾病

（4）回歸，預測社交媒體份額和績效分數的平均數

（5）預測語音識別軟件中的模式，並對圖像和文本進行分類

五、樸素貝葉斯

優點：

（1）對小規模的數據表現較好，能處理多分類任務

（2）對缺失數據不敏感，算法簡單，常用於文本分類

缺點：

（1）樸素貝葉斯建立在屬性之間相互獨立的假設之上

（2）通過先驗和數據來決定後驗的概率從而決定分類，所以分類決策存在一定的錯誤率

應用：

（1）情緒分析

（2）文檔分類

（3）垃圾郵件過濾

六、Aprior頻繁項挖掘

基本原理：

（1）如果項集合頻繁出現，則項集合的所有子集也頻繁出現。

（2）如果項集合不經常出現，則項集合的所有超集都不經常出現。

優點：

（1）易於實現，且容易並行化

（2）頻繁項集挖掘經典算法，很懂算法都是基於Aprior實現的，包括FP-Tree，GSP，CBA等

缺點：

（1）效率較低

應用：

（1）市場籃子分析

（2）自動完成應用程序

常用機器學習算法優缺點及應用匯總