**

各种分类算法的优缺点

**
朴素贝叶斯：
朴素贝叶斯的优点：对小规模的数据表现很好，适合多分类任务，适合增量式训练。算法比较简单，常用于文本分类。 分类准确度高，速度快。
朴素贝叶斯的缺点：对输入数据的表达形式很敏感。由于使用了样本属性独立性的假设，所以如果特征属性有关联时其效果不好。
决策树;
决策数优点：1）决策树模型可以读性好，具有描述性，有助于人工分析；2）效率高，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度。
缺点：容易产生过拟合
逻辑回归：
Logistic回归优点：1、实现简单；2、分类时计算量非常小，速度很快，存储资源低；
缺点：1、容易欠拟合，一般准确度不太高；2、只能处理两分类问题（在此基础上衍生出来的softmax可以用于多分类），且必须线性可分；
K近邻算法(KNN):
KNN算法的优点：1. 思想简单，理论成熟，既可以用来做分类也可以用来做回归；2. 可用于非线性分类；3. 训练时间复杂度为O(n)；4. 准确度高，对数据没有假设，对outlier不敏感
缺点：1. 计算量大；2. 样本不平衡问题（即有些类别的样本数量很多，而其它样本的数量很少）；3. 需要大量的内存；
支持向量机（SVM）：
SVM算法优点：可用于线性/非线性分类，也可以用于回归；低泛化误差；容易解释；计算复杂度较低
缺点：对参数和核函数的选择比较敏感；原始的SVM只比较擅长处理二分类问题（后来我们可以多训练一些分类器来解决这个问题）
Boosting
优点：容易实现，分类准确率较高，没有太多参数可以调；不会过拟合
缺点：对异常值（outlier）比较敏感；