01预测类算法优缺点总结
02评价类优缺点总结
数模各类模型使用指南
预测类算法优缺点总结：
优点：
灵活性： 预测类算法适用于各种类型的数据和问题，可以灵活应对不同的情况。
高效性： 很多预测类算法在处理大规模数据时表现出色，具有较高的计算效率。
准确性： 在合适的数据和参数设置下，预测类算法可以取得良好的预测准确性。
缺点：
过拟合： 预测类算法容易受到过拟合的影响，特别是在数据噪声较大或者数据量较少的情况下。
数据需求： 预测类算法通常需要大量的标记数据进行训练，这在某些领域可能不易获取。
模型复杂度： 一些预测类算法可能具有较高的模型复杂度，导致训练和解释难度加大。
评价类算法优缺点总结：
优点：
客观性： 评价类算法提供客观的指标评估模型性能，有助于对不同模型进行比较和选择。
多样性： 评价类算法可以根据不同的需求选择合适的评价指标，如准确率、召回率、F1分数等。
稳健性： 很多评价类算法在不同数据集和问题上表现稳健，具有一定的通用性。
缺点：
局限性： 某些评价指标可能不适用于特定的问题或者模型类型，需要结合实际情况进行选择。
单一性： 评价类算法往往只能提供单
