Nachteile: Lineare Modelle sind möglicherweise nicht in der Lage, komplexe Beziehungen zu verarbeiten.
Entscheidungsbaum:
Vorteile: leicht zu erklären, in der Lage, mit nichtlinearen Zusammenhängen umzugehen.
Nachteile: Leicht zu überpassen, was eine Beschneidung oder andere Regularisierungsmethoden erfordert.
Zufälliger Wald:
Vorteile: Widerstand gegen Überanpassung, gute Robustheit und starke Leistung.
Nachteile: Der Rechenaufwand ist groß und die Vorhersagezeit lang.
Support-Vektor-Maschine (SVM):
Vorteile: Es funktioniert gut im hochdimensionalen Raum und kann nichtlineare Beziehungen verarbeiten.
Nachteile: lange Trainingszeit und Notwendigkeit, Parameter anzupassen.
Clusterbildung
Vorteile: Daten müssen nicht gekennzeichnet werden.
Nachteile: Empfindlich gegenüber der Auswahl von Anfangswerten und Parametern, schlechte Leistung bei Datensätzen mit viel Rauschen und Ausreißern und die Verarbeitung hochdimensionaler Daten und großer Datensätze ist schwierig.