数据挖掘方法比较

一、可解释性和应用广泛性

1、决策树：简单直观，逻辑性强，易于理解和应用，广泛使用。

2、神经网络：可解释性差，远没有决策树和回归应用广泛。

3、Logistic回归：更为成熟、应用更为广泛，具有强大的活力和最广泛的业务应用基础。

二、缺失值和异常值敏感情况

1、决策树：对缺失值几乎不做处理即可应用，不易受到异常值影响。

2、神经网络：对缺失值敏感，需要对缺失值处理（赋值、替换或删除），对异常值和噪声不敏感。

3、Logistic回归：不能处理缺失值，需要对缺失值（赋值、替换或删除），对异常值敏感，应删除。

三、变量个数和质量的要求

1、决策树：本身就是挑选变量的过程。

2、神经网络：少而精。

3、Logistic回归：变量筛选（向前引入法、向后剔除法、逐步回归法）。

四、过拟合现象

相比于决策树和逻辑回归，神经网络可以挑选非线性关系，较好的拟合数据，也更容易过拟合。

五、模型诊断指标和措施

1、决策树：贪心算法。

2、神经网络，缺乏成熟的模型评判方案。

3、Logistic回归：丰富的指标判断（ROC、LIFT）。