一、K-Means聚类算法
优点：
（1）原理简单，实现容易，收敛速度快
（2）球形边界效果较好
缺点：
（1）k取值不好把握
（2）非球形边界效果较差
（3）对噪音和异常点较敏感
应用：
（1）被大多数搜索引擎用于通过相似性对网页进行聚类，并识别搜索结果的相关率，有助于搜索引擎减少用户的计算时间
（2）用户画像
（3）对数据集内部进行探索
（4）用于数据离散压缩
（5）处理数据不平衡问题（样本不平衡专题细讲）
相似度衡量：
（1）离散变量采用曼哈顿距离
（2）连续变量采用欧式距离
（3）文本采用余弦相似度或者杰卡德系数
二、支持向量机
优点：
（1）可以通过核函数解决非线性问题
（2）解决高维度特征问题是很有效，在特征维度大于样本数时依然有效
（3）分类准确率较高、泛化能力强
缺点：
（1）特征维度远远大于样本数，表现一般（维度灾难）
（2）SVM在样本量较大时，核函数映射维度非常高时，计算量过大
（3）核函数选择没有统一标准
（4）不适合大数据时代大样本
（5）SVM是二元分类算法，虽然经扩展支持多分类，但计算量巨大。目前spark只实现了二分类
应用：
（1）常用于各种金融机构的股票市场预测
三、决策树
优点：
（1）简单直观，提供可视化展示
（2）基本不需要对数据进行预处理，不需要归一化、不需要处理缺失值
（3）对于异常点容错性较高，健壮性高
（4）解释性好
缺点：
（1）容易过拟合，泛化能力弱，可通过设置节点最少样本数量或限制决策树深度改进
（2）会因为样本发生一点点的变化导致树的结构发生变化，可以通过集成学习来改善
应用：
（1）财务中对期权定价有很大用处
（2）遥感是基于决策树的模式识别的应用领域
（3）银行使用决策树算法按贷款申请人违约付款的概率进行分类
（4）Gerber产品公司，一个流行的婴儿产品公司，使用决策树机器学习算法来决定他们是否应继续使用塑料PVC（聚氯乙烯）在他们的产品。
（5）Rush大学医学中心开发了一个名为Guardian的工具，它使用决策树机器学习算法来识别有风险的患者和疾病趋势
四、随机森林
优点：
（1）训练可以高度并行化，对于大数据时代的大样本训练速度有优势
（2）对缺失值、异常值不敏感
（3）泛化能力强，不需要剪枝
（4）很难建立一个坏的随机森林、分类精度较高
缺点：
（1）容易使用，但理论上分析较困难
（2）速度较慢，因为内含多个决策树弱分类器
（3）取值划分比较多的特征容易对随机森林的决策产生影响，从而影响模型效果
应用：
（1）被银行用来预测贷款申请人是否可能为高风险人群
（2）汽车工业中预测机械部件是否存在故障
（3）医疗保健行业预测患者是否可能发展为慢性疾病
（4）回归，预测社交媒体份额和绩效分数的平均数
（5）预测语音识别软件中的模式，并对图像和文本进行分类
五、朴素贝叶斯
优点：
（1）对小规模的数据表现较好，能处理多分类任务
（2）对缺失数据不敏感，算法简单，常用于文本分类
缺点：
（1）朴素贝叶斯建立在属性之间相互独立的假设之上
（2）通过先验和数据来决定后验的概率从而决定分类，所以分类决策存在一定的错误率
应用：
（1）情绪分析
（2）文档分类
（3）垃圾邮件过滤
六、Aprior频繁项挖掘
基本原理：
（1）如果项集合频繁出现，则项集合的所有子集也频繁出现。
（2）如果项集合不经常出现，则项集合的所有超集都不经常出现。
优点：
（1）易于实现，且容易并行化
（2）频繁项集挖掘经典算法，很懂算法都是基于Aprior实现的，包括FP-Tree，GSP，CBA等
缺点：
（1）效率较低
应用：
（1）市场篮子分析
（2）自动完成应用程序