我所讲授的数据科学课程涵盖了该领域大部分内容，但尤其关注机器学习（machinelearning）。除了讲授模型的评估过程和度量方法以外，很明显，我们还讲算法本身，主要是监督式学习（supervisedlearning）算法。
在为期11周的课程接近尾声的时候，我们花了几个小时检查所用的课程资料。我们希望学生能够逐渐理解他们所学的东西。要掌握的技能之一就是在解决机器学习的问题时，有能力在不同的监督式学习算法中做出明智的选择。虽然使用“蛮力”（把每种情况都试一遍，看看哪种最好）的方法有其价值所在，但比这价值大得多的是能够在不同算法之间做出权衡利弊的选择。
我决定为学生们组织一场比赛。我给他们一张空白的表格，列出所讲的监督式学习算法，让学生从几个不同维度对这些算法进行比较。我在网上找到了这样的表格，自己先弄一张再说！下面就是，一起看看：
上图为表格部分截图，中文版下载请点击这里。
贡献出这张表格，有两个原因：
其一，它可以用来讲课或者学习（下载下来拿去用吧）。
其二，这张表格需要完善，人多力量大！
这张表格是集鄙人经验与研究的产物，在任何这些算法的领域，我都称不上是专家。如果你有能够改进表格的建议，给我留言哟！
是否在我的这些评估中存在误导或错误？（当然啦，有些比较维度本身就带有主观性。）
是否存在应该添加到表格中的其他“重要的”对比维度？
是否还有其他你希望加入到这张表格的算法？（目前，表格中只有我所讲授的算法。）
我意识到每种算法的特征及相应的评价都可以基于数据的具体情况（以及数据的调优程度）发生变化。因此有人会认为试图做“客观”的比较是欠考虑的。然而，我认为作为监督式学习算法入门的一般性参考，这张表仍然有其价值所在。
Duang~Duang~Duang~！
学习资源
ChoosingaMachineLearningClassifier：EdwinChen所做的概述，短小易懂，可读性强。
scikit-learn的“机器学习导图”：选择“正确”的估计器（estimator）。
MachineLearningDoneWrong：深思熟虑的建议，避免在机器学习中掉进常见的坑，有些建议涉及算法的选择。
PracticalmachinelearningtricksfromtheKDD2011bestindustrypaper：较上一项更高级的建议。
AnEmpiricalComparisonofSupervisedLearningAlgorithms：发表于2006年的研究论文。
