Для знаходження всіх можливих нейронних зв’язків

Для побудови складних дерев рішень

Для лінійної класифікації на дві категорії

Для виявлення довільних за формою кластерів і виділення «шумових» точок

Шукати точки, які не належать жодному кластеру або розташовані далеко від центрів

Використовувати ROC-криву для кожної точки

Перевіряти, чи відповідає точка встановленій гіперплощині

Будувати дерево рішень і перевіряти кожну гілку

K-найближчих сусідів

Random Forest

K-середніх (k-means)

Логістична регресія

Apriori

Модель Наївного Баєса

DBSCAN

Лінійна дискримінація

Random Forest

C4.5

k-NN

PCA

Для виділення тематичних кластерів у тексті

Для побудови прямої, яка найкраще апроксимується до набору точок

Для пошуку оптимальної гіперплощини між двома класами

Для виявлення кластерів у багатовимірному просторі

Повторювати процес розбиття набору даних на навчальну і тестову частини кілька разів

Завжди обирати найпростішу модель серед можливих

Перевіряти модель на тому самому наборі, на якому навчали

Використовувати лише одну підвибірку для навчання

Виконувати лінійну класифікацію об’єктів

Будувати ансамблі дерев

Шукати залежності, що часто зустрічаються разом

Аналізувати кореляції між двома змінними

Нейромережі не потребують даних для навчання

Класичні методи не можуть працювати з великими обсягами даних

Нейромережі краще вловлюють складні нелінійні залежності

Нейромережі простіші у реалізації

Вона враховує степеневі ознаки, створюючи криву

Вона не може обробляти велику кількість ознак

У неї на виході завжди дискретне значення

Вона приблизно вдвічі швидша за лінійну