各种机器学习算法的应用场景分别是什么（比如朴素贝叶斯、决策树、K 近邻、SVM、逻辑回归最大熵模型）？
写在前边，其实这些算法在工作中实际使用的频率并不大，很多情况下都是几个算法联合起来，或者使用某一算法的改进版本。
19年才来单位的时候，当时的项目是基于电力负控数据寻找用电行为异常的用户，并根据行为异常的用户数据进行异常原因的分类。很显然，这一工作前提是找出异常，业务人员配合打上标签，然后进行多分类。（也尝试过无监督的分类，但是分类结果并不能直接反馈异常的原因。）
电力负控数据每天有96个点位，最终确定的判断异常的逻辑规则为（举个例子），当天异常点数超过80%则全天判定为异常。异常点的判断，同行业，每个季度会计算一条用电的标准曲线，根据甲方业务人员的经验值，会提供一个最大值和最小值的范围。超出范围则判定异常。（涉及保密，简单复述一下逻辑）。
当时我开发了整个异常判定的逻辑算法，目前来看，异常识别率在85%左右。
原因分析就好做了，用CNN抽了特征矩阵，加上某些特定的数据特征，放在random forest中，效果还算理想，80%左右。
所以在实际的工作中，单个的算法可能并不适合特定的工作场景，业务经验很重要，建模分析的经验也很重要。
正好前段时间看了一些基本机器学习算法的原理和机制。因为才做了分类，那就从分类器的角度说一下自己的理解吧。下图是监督学习的简单概述。
（一）朴素贝叶斯分类
朴素贝叶斯分类是基于贝叶斯定理与特征条件独立假设的分类方法，发源于古典数学理论，拥有稳定的数学基础和分类效率。
贝叶斯分类算法的实质就是计算条件概率的公式。在事件 B 发生的条件下，事件 A 发生的概率为 P（A | B）来表示。
1、优点
(1)算法的逻辑性十分简单，并且算法较为稳定
(2)数据集属性之间的关系相对比较独立时，朴素贝叶斯分类算法会有较好的效果。
2、缺点
(1)数据集独立性很难满足。
3、应用场景
文本分类，垃圾邮件的分类，信用评估，钓鱼网站检测等。
（二）支持向量机（SVM）
支持向量机是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的的学习算法就是求解凸二次规划的最优化算法。
1、优点
(1)非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射；
(2)对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心；
(3)支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量。
2、缺点
(1) SVM算法对大规模训练样本难以实施；
(2) 用SVM解决多分类问题存在困难
3、应用场景
字符识别、面部识别、行人检测、文本分类等。
（三）随机森林
在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。随机森林是一种灵活的、便于使用的机器学习算法，即使没有超参数调整，大多数情况下也会带来好的结果。
1、优点
(1)它能够处理很高维度（feature很多）的数据，并且不用做特征选择(因为特征子集是随机选择的)；
(2)在训练完后，它能够给出哪些feature比较重要；
(2)训练速度快，容易做成并行化方法(训练时树与树之间是相互独立的)；
(3)对于不平衡的数据集来说，它可以平衡误差，如果有很大一部分的特征遗失，仍可以维持准确度。
2、缺点
(1) 随机森林处理回归问题时表现欠佳；
(2) 对于小数据或者低维数据（特征较少的数据），可能不能产生很好的分类。
3、应用场景
文本分类、数据挖掘、信用监测等。
好啦。大致上先说这三个吧，等有时间再一一叙述主要原理，感兴趣可关注我后续文章或者回答～～～
怎么学呢？语言是基础，至少要学会合理使用sklearn或者tensorflow，学会调参。下边放3个机器学习简单的小项目供参考：
2、用电敏感客户分类
欢迎点赞收藏关注，让更多人看到。谢谢～～～