Сильно залежить від розподілу вхідних даних (чутливий до відхилень)

Не можна інтерпретувати результати

Він не працює з нормальним розподілом

Надто обчислювально важкий

Засіб для розрахунку коефіцієнта детермінації

Матриця, де кожен елемент дорівнює 1 або -1

Таблиця з прогнозованими та фактичними значеннями класів

Метод підбору кількості кластерів

Для розділення об’єктів на два класи, де немає залежності між ознаками

Для задач із багатьма класами, аби знайти лінійне правило розрізнення

Для кодування категоріальних змінних у безнаглядному навчанні

Для відновлення втрачених даних при навчанні

Просто інтерпретуються, можна відстежити логіку рішень

Не можна використовувати для кількох класів одночасно

Не підходять для медичних задач

Не потребують пояснення результатів

Щоб знайти залежність між числовими змінними

Щоб спрогнозувати відсутні значення у таблиці

Щоб призначити об’єкт до однієї з відомих категорій

Щоб зменшити розмірність простору ознак

Виявляти всі можливі помилки в даних

Передбачати результат за вхідними даними

Зберігати дані в складних структурах

Замінити будь-який людський фактор у виробництві

Вона обчислює суму вагових коефіцієнтів

Вона перетворює будь-яке дійсне число у відрізок (0; 1)

Вона перевіряє якість моделі на валідаційній вибірці

Вона автоматично усуває мультиколінеарність

Використання градієнта для пошуку мінімуму функції втрат

Порівняння ознак у часі, щоб знайти тренди

Поєднання випадкових дерев в один ансамбль

Класифікація об’єкта за класами найближчих до нього зразків

Працює тільки з категоріальними змінними

Може розділити лише набори даних з аномаліями

Початково розрахований на задачу з двома класами

Підходить лише для нелінійних завдань

Recall

Accuracy

Precision

Specificity