Thuật toán Support Vector Machine (SVM) tìm cách:

Precision

Recall

F1-Score

Accuracy

K-Means

Naive Bayes

Gradient Boosting (ví dụ: XGBoost, LightGBM)

Linear Regression

Giảm chiều dữ liệu

Chuyển đổi các biến phân loại (categorical variables) thành dạng số mà các thuật toán có thể xử lý

Chuẩn hóa các biến liên tục

Loại bỏ các giá trị thiếu

Tăng bias luôn dẫn đến giảm variance và ngược lại

Cần tìm sự cân bằng giữa bias (mô hình quá đơn giản) và variance (mô hình quá phức tạp) để đạt được hiệu suất tổng quát hóa tốt nhất

Bias và variance là hai loại lỗi hoàn toàn độc lập

Chỉ có thể giảm bias hoặc variance, không thể cùng lúc cải thiện cả hai

Định lý Bayes và giả định độc lập có điều kiện giữa các đặc trưng

Quy tắc nhân của xác suất có điều kiện

Sự tương quan giữa các biến

Phân phối Gaussian

Linear Regression

Support Vector Machine (SVM)

Principal Component Analysis (PCA)

Logistic Regression

DBSCAN yêu cầu số lượng cụm (K) phải được chỉ định trước, còn K-Means thì không

DBSCAN có thể phát hiện các cụm có hình dạng tùy ý và xác định các điểm nhiễu (noise points), trong khi K-Means giả định các cụm có hình dạng cầu và không xử lý nhiễu một cách rõ ràng

DBSCAN luôn nhanh hơn K-Means

K-Means sử dụng phân phối xác suất, còn DBSCAN thì không