數據分析與挖掘筆記（十三）------挖掘建模之分類預測模型特點

常見的模型評價和在python中的實現

模型	模型特點	支持庫
邏輯迴歸	比較基礎的線性分析模型，很多時候是簡單有效的選擇	sklearn.linear_model
SVM	強大的模型，可以用來回歸、預測、分類等，而根據選取不同的核函數。模型可以是線性的/非線性的	sklearn.svm
決策樹	基於“分類討論、逐步細化”思想的分類模型，模型直觀，易解釋	sklearn.tree
隨機森林	思想跟決策樹類似，精度通常比決策樹要高，缺點是由於其隨機性，喪失了決策樹的可解釋性	sklearn.ensemble
樸素貝葉斯	基於概率思想的簡單有效的分類模型，能夠給出容易理解的概率解釋	sklearn.naive_bayes
神經網絡	具有強的的擬合能力，可以用於擬合、分類等，他有很多個增強版本，如遞歸神經網絡，卷積神經網絡、自編碼器等，這些是深度學習的模型基礎	Keras

建模的第一個步驟是建立一個對象，這個對象是空白的，需要進一步訓練，然後我們要設置模型的參數，接着就是通過fit()方法對模型進行訓練，最後通過predict()方法預測結果。當然，還有一些方法有助於我們完成對模型的評估，如score()等。