1.樸素貝葉斯，超級簡單，就像做壹些計數工作壹樣。如果條件獨立性假設成立，NB會比判別模型收斂得更快，所以妳只需要少量的訓練數據。即使條件獨立性假設不成立，NB在實踐中的表現依然出奇的好。
2.邏輯回歸，LR有很多方法來正則化模型。與NB的條件獨立性假設相比，LR不需要考慮樣本是否相關。與決策樹和支持向量機不同，NB具有很好的概率解釋能力，並且很容易用新的訓練數據更新模型。如果妳想要壹些概率信息或者希望在未來有更多數據的時候方便的更新和改進模型，LR是值得使用的。
3.決策樹，DT很好理解和解釋。DT是非參數的，所以不需要擔心異常值(或離群值)和數據是否線性可分。DT的主要缺點是容易過擬合，這也是提出隨機森林等集成學習算法的原因。
4.支持向量機分類精度高，對過擬合有很好的理論保證，面對特征線性不可分的問題，通過選擇合適的核函數也能表現良好。SVM在高維文本分類中非常受歡迎。
如果妳想要更多更詳細的資料，建議妳去上CDA數據分析課程。大數據分析師現在有專業的國際認證。CDA，即“CDA數據分析師”，是在數字經濟和人工智能時代趨勢背景下，面向全行業的專業權威國際資格認證，旨在提升全民數字化技能，幫助企業數字化轉型，推動行業數字化發展。“CDA數據分析師”是指專門從事數據收集、清洗、處理和分析，能夠在互聯網、金融、零售、咨詢、電信、醫療、旅遊等行業進行業務報告和提供決策的新型數據分析師。點擊預約免費試聽課。