你 知道如何為你的分類問題選擇合適的機器學習算法嗎？當然，如果你真正關心準確率，那么最佳方法是測試各種不同的算法（同時還要確保對每個算法測試不同參 數），然后通過交叉驗證選擇最好的一個。但是，如果你只是為你的問題尋找一個“足夠好”的算法，或者一個起點，這里有一些我這些年發現的還不錯的一般準 則。

你的訓練集有多大？

如果訓練集很小，那么高偏差/低方差分類器（如樸素貝葉斯分類器）要優于低偏差/高方差分類器（如k近鄰分類器），因為后者容易過擬合。然而，隨著訓練集的增大，低偏差/高方差分類器將開始勝出（它們具有較低的漸近誤差），因為高偏差分類器不足以提供準確的模型。

你也可以認為這是生成模型與判別模型的區別。

一些特定算法的優點

樸素貝葉斯的優點：超級簡單，你只是在做一串計算。如果樸素貝葉斯（NB）條件獨立性假設成立，相比于邏輯回歸這類的判別模型，樸素貝葉斯分類器將收斂得更快，所以你只需要較小的訓練集。而且，即使NB假設不成立，樸素貝葉斯分類器在實踐方面仍然表現很好。如果想得到簡單快捷的執行效果，這將是個好的選擇。它的主要缺點是，不能學習特征之間的相互作用（比如，它不能學習出：雖然你喜歡布拉德·皮特和湯姆·克魯斯的電影，但卻不喜歡他們一起合作的電影）。

邏輯回歸的優點： 有許多正則化模型的方法，你不需要像在樸素貝葉斯分類器中那樣擔心特征間的相互關聯性。與決策樹和支撐向量機不同，你還可以有一個很好的概率解釋，并能容 易地更新模型來吸收新數據（使用一個在線梯度下降方法）。如果你想要一個概率框架（比如，簡單地調整分類閾值，說出什么時候是不太確定的，或者獲得置信區 間），或你期望未來接收更多想要快速并入模型中的訓練數據，就選擇邏輯回歸。

決策樹的優點： 易于說明和解釋（對某些人來說—我不確定自己是否屬于這個陣營）。它們可以很容易地處理特征間的相互作用，并且是非參數化的，所以你不用擔心異常值或者數 據是否線性可分（比如，決策樹可以很容易地某特征x的低端是類A，中間是類B，然后高端又是類A的情況）。一個缺點是，不支持在線學習，所以當有新樣本 時，你將不得不重建決策樹。另一個缺點是，容易過擬合，但這也正是諸如隨機森林（或提高樹）之類的集成方法的切入點。另外，隨機森林往往是很多分類問題的 贏家（我相信通常略優于支持向量機），它們快速并且可擴展，同時你不須擔心要像支持向量機那樣調一堆參數，所以它們最近似乎相當受歡迎。

SVMs的優點： 高準確率，為過擬合提供了好的理論保證，并且即使你的數據在基礎特征空間線性不可分，只要選定一個恰當的核函數，它們仍然能夠取得很好的分類效果。它們在 超高維空間是常態的文本分類問題中尤其受歡迎。然而，它們內存消耗大，難于解釋，運行和調參也有些煩人，因此，我認為隨機森林正漸漸開始偷走它的“王 冠”。

然而…

盡管如此，回憶一下，更好的數據往往打敗更好的算法，設計好的特征大有裨益。并且，如果你有一個龐大數據集，這時你使用哪種分類算法在分類性能方面可能并不要緊（所以，要基于速度和易用性選擇算法）。

重申我上面說的,如果你真的關心準確率,一定要嘗試各種各樣的分類器,并通過交叉驗證選擇最好的一個。或者，從Netflix Prize(和Middle Earth)中吸取教訓,只使用了一個集成方法進行選擇。