classification_algorithms:
  LogisticRegression:
    principle: "逻辑回归是一种线性分类模型，使用 Sigmoid 函数将线性回归的输出映射到 [0,1] 之间，适用于二分类问题。"
    advantages:
      - "计算效率高，适用于大规模数据。"
      - "可解释性强，系数可用于判断特征的重要性。"
      - "对线性可分数据表现良好。"
    disadvantages:
      - "对非线性数据的处理能力较弱。"
      - "容易受到异常值的影响。"
    applicable_scenarios:
      - "医学诊断，如是否患有某种疾病。"
      - "信用风险评估，如贷款违约预测。"
      - "市场营销中的客户分类。"

  SVC:
    principle: "支持向量机（SVM）通过寻找最大化类别间隔的超平面进行分类，支持线性和非线性分类（通过核函数）。"
    advantages:
      - "适用于高维数据，尤其是样本较少的情况。"
      - "通过核函数可以处理非线性分类问题。"
    disadvantages:
      - "对大规模数据的计算复杂度较高。"
      - "对参数和核函数的选择较敏感。"
    applicable_scenarios:
      - "文本分类，如垃圾邮件检测。"
      - "图像识别，如手写数字分类。"

  SVDD:
    principle: "支持向量数据描述（SVDD）是一种基于支持向量机的单类分类方法，通过寻找最小球面来包围正常数据点，从而检测异常值。"
    advantages:
      - "适用于异常检测和单类分类问题。"
      - "能够有效应对非线性分布数据。"
    disadvantages:
      - "对参数选择较敏感，训练时间较长。"
    applicable_scenarios:
      - "异常检测，如信用卡欺诈检测。"
      - "工业设备故障检测。"

  DecisionTreeClassifier:
    principle: "决策树基于特征的划分规则构建一棵树，通过树结构进行分类。"
    advantages:
      - "可解释性强，易于理解和可视化。"
      - "对数据的分布和尺度不敏感，无需归一化。"
    disadvantages:
      - "容易过拟合，泛化能力较弱。"
      - "对噪声数据较敏感。"
    applicable_scenarios:
      - "客户细分，如电商用户分类。"
      - "医学诊断，如肿瘤良恶性分类。"

  RandomForestClassifier:
    principle: "随机森林是一种集成学习方法，通过构建多个决策树并投票或平均进行分类，提高模型的稳定性和准确性。"
    advantages:
      - "较强的泛化能力，能有效防止过拟合。"
      - "可用于高维数据，支持特征重要性评估。"
    disadvantages:
      - "训练时间较长，预测速度相对较慢。"
    applicable_scenarios:
      - "信用风险评估。"
      - "医疗数据分析。"

  XGBClassifier:
    principle: "XGBoost（Extreme Gradient Boosting）是一种基于梯度提升树（GBDT）的改进算法，具有更强的正则化和并行处理能力。"
    advantages:
      - "计算效率高，支持并行计算。"
      - "具有内置的缺失值处理能力。"
    disadvantages:
      - "参数较多，调优较复杂。"
    applicable_scenarios:
      - "金融风险预测。"
      - "搜索引擎排序。"

  AdaBoostClassifier:
    principle: "AdaBoost 是一种提升方法，它通过组合多个弱分类器来提高整体分类精度，赋予错误分类样本更高的权重。"
    advantages:
      - "能有效提升弱分类器的性能。"
      - "适用于处理非均衡数据。"
    disadvantages:
      - "对噪声数据敏感。"
    applicable_scenarios:
      - "人脸检测。"
      - "信用评分模型。"

  CatBoostClassifier:
    principle: "CatBoost 是一种专为类别特征优化的梯度提升决策树方法，适用于处理高维稀疏数据。"
    advantages:
      - "对类别型特征处理能力强。"
      - "训练速度快，支持 GPU 加速。"
    disadvantages:
      - "需要较长的训练时间。"
    applicable_scenarios:
      - "推荐系统。"
      - "搜索排序。"

  LGBMClassifier:
    principle: "LightGBM 是一种基于直方图优化的梯度提升树方法，优化了计算效率，适用于大规模数据。"
    advantages:
      - "计算速度快，适用于大规模数据集。"
      - "对高维特征数据处理效果良好。"
    disadvantages:
      - "对小数据集容易过拟合。"
    applicable_scenarios:
      - "广告点击率预测。"
      - "金融风控。"

  GaussianNB:
    principle: "高斯朴素贝叶斯基于贝叶斯定理，假设特征服从高斯分布进行分类。"
    advantages:
      - "计算效率高，适用于大规模数据。"
      - "对小数据集具有良好效果。"
    disadvantages:
      - "对特征的独立性假设较强，可能不适用于某些数据。"
    applicable_scenarios:
      - "文本分类。"
      - "医疗诊断。"

  KNeighborsClassifier:
    principle: "K 近邻（KNN）是一种基于距离度量的分类算法，通过找到最近的 K 个邻居来进行分类。"
    advantages:
      - "易于理解，实现简单。"
      - "对异常值不敏感。"
    disadvantages:
      - "计算复杂度高，预测速度较慢。"
    applicable_scenarios:
      - "推荐系统。"
      - "生物信息学分类。"

  MLPClassifier:
    principle: "多层感知机（MLP）是一种前馈神经网络，通过多个隐藏层和非线性激活函数实现复杂分类任务。"
    advantages:
      - "能够学习复杂的非线性关系。"
      - "适用于高维数据。"
    disadvantages:
      - "需要大量数据进行训练，容易过拟合。"
    applicable_scenarios:
      - "图像分类。"
      - "语音识别。"

  GradientBoostingClassifier:
    principle: "梯度提升决策树（GBDT）是一种集成学习方法，通过迭代训练多个决策树，使模型不断优化误差。"
    advantages:
      - "较强的泛化能力，适用于大规模数据集。"
      - "支持特征重要性分析。"
    disadvantages:
      - "训练时间较长，调优复杂。"
    applicable_scenarios:
      - "搜索引擎排名。"
      - "金融信用评分。"

  DNN:
    principle: "深度神经网络（DNN）是一种多层神经网络，通过多层非线性变换提取数据的复杂特征。"
    advantages:
      - "适用于复杂非线性问题。"
      - "能够处理大规模数据。"
    disadvantages:
      - "计算开销大，对硬件要求高。"
    applicable_scenarios:
      - "自动驾驶。"
      - "自然语言处理。"

regression_algorithms:

  LinearRegression:
    principle: "线性回归通过最小化数据点与回归线之间的误差平方和，来拟合一条最佳的直线。"
    advantages: 
      - "实现简单，易于理解"
      - "计算效率高，适用于小规模数据集"
    disadvantages:
      - "对异常值敏感"
      - "只能建模线性关系，无法处理非线性数据"
    applicable_scenarios: "适用于线性关系明确，且数据量适中的问题。"

  PolynomialRegression:
    principle: "多项式回归是线性回归的一种扩展，利用多项式拟合数据，处理非线性关系。"
    advantages:
      - "能够拟合非线性关系"
      - "灵活性强，能够处理复杂数据模式"
    disadvantages:
      - "容易过拟合，特别是在多项式度数较高时"
      - "计算复杂度较高"
    applicable_scenarios: "适用于非线性数据拟合，但需避免过拟合。"

  Ridge:
    principle: "岭回归在最小化误差的同时，引入L2正则化，约束模型的复杂度。"
    advantages:
      - "有效防止过拟合"
      - "适用于特征多的情况"
    disadvantages:
      - "对于特征相关性较强的数据效果较差"
      - "结果解释性较差"
    applicable_scenarios: "适用于特征多且存在共线性的线性回归问题。"

  Lasso:
    principle: "Lasso回归通过L1正则化来限制模型的复杂度，可以实现特征选择。"
    advantages:
      - "能够进行特征选择，减少不相关特征"
      - "减少模型的复杂度，避免过拟合"
    disadvantages:
      - "可能会导致某些特征完全被剔除，造成信息丢失"
      - "对于高相关特征可能不稳定"
    applicable_scenarios: "适用于需要特征选择或特征较多的线性回归问题。"

  ElasticNet:
    principle: "弹性网络回归结合了Lasso回归的L1正则化和岭回归的L2正则化，能够处理更多情况。"
    advantages:
      - "能够处理相关特征，结合L1和L2的优点"
      - "适用于特征数大于样本数的情形"
    disadvantages:
      - "计算复杂度较高"
      - "可能需要调参来获得最佳效果"
    applicable_scenarios: "适用于高维数据，且特征间存在线性相关的情况。"

  SVR:
    principle: "支持向量回归（SVR）通过在高维空间中寻找一个最优超平面来拟合数据，能够处理非线性回归问题。"
    advantages:
      - "能够处理非线性数据，效果较好"
      - "适用于高维数据"
    disadvantages:
      - "对超参数敏感，调参困难"
      - "计算时间较长，尤其在大数据集上"
    applicable_scenarios: "适用于数据具有非线性关系且数据量适中的问题。"

  DecisionTreeRegressor:
    principle: "决策树回归通过构建树状结构来拟合数据，节点上的划分基于特征的不同值。"
    advantages:
      - "易于理解和可视化"
      - "可以处理非线性关系"
    disadvantages:
      - "容易过拟合"
      - "对噪声数据敏感"
    applicable_scenarios: "适用于非线性回归，且对数据的复杂性有较高的容忍度。"

  RandomForestRegressor:
    principle: "随机森林回归通过集成多棵决策树的结果来提高预测精度，能够处理高维数据。"
    advantages:
      - "不容易过拟合，适用于复杂问题"
      - "能够处理缺失数据"
    disadvantages:
      - "计算复杂度较高"
      - "结果难以解释"
    applicable_scenarios: "适用于复杂的回归问题，尤其是特征维度较高的场景。"

  XGBRegressor:
    principle: "XGBoost回归通过梯度提升算法（GBDT）优化损失函数，通过树的组合来预测目标值。"
    advantages:
      - "预测精度高，效果好"
      - "处理大数据能力强"
    disadvantages:
      - "需要较长的训练时间"
      - "对超参数敏感"
    applicable_scenarios: "适用于大规模数据集且对预测精度要求较高的问题。"

  AdaBoostRegressor:
    principle: "AdaBoost回归通过多次训练弱学习器并加权组合，改进模型的预测能力。"
    advantages:
      - "能够提高弱学习器的预测精度"
      - "对噪声较为鲁棒"
    disadvantages:
      - "容易受到异常值影响"
      - "对某些问题的性能较差"
    applicable_scenarios: "适用于弱学习器的组合优化问题，特别是样本不平衡的场景。"

  CatBoostRegressor:
    principle: "CatBoost回归基于梯度提升决策树（GBDT），特别优化了类别特征的处理。"
    advantages:
      - "能够处理类别特征，减少数据预处理"
      - "高效且精度较高"
    disadvantages:
      - "训练时间较长"
      - "参数调节较为复杂"
    applicable_scenarios: "适用于包含大量类别特征的数据集，且数据量较大的问题。"

  LGBMRegressor:
    principle: "LightGBM回归基于梯度提升决策树，使用了直方图优化算法以加速训练过程。"
    advantages:
      - "训练速度快，能够处理大规模数据"
      - "内存占用较少，适合高维数据"
    disadvantages:
      - "需要调参以获得最佳效果"
      - "模型解释性较差"
    applicable_scenarios: "适用于大规模数据集，尤其是处理海量数据时效果优越。"

  MLPRegressor:
    principle: "多层感知机回归是基于神经网络的回归模型，通过多个隐层来拟合复杂的非线性关系。"
    advantages:
      - "能够处理复杂的非线性关系"
      - "在大数据和高维数据中表现良好"
    disadvantages:
      - "训练时间较长，且对计算资源要求较高"
      - "容易过拟合，特别是在数据较少时"
    applicable_scenarios: "适用于需要捕捉复杂非线性关系的回归问题，尤其在数据量大时效果较好。"

clustering_algorithms:
  KMeans:
    principle: "K均值聚类通过最小化样本点到其最近簇中心的距离来将数据分为K个簇。"
    advantages:
      - "实现简单，计算效率高"
      - "适用于大数据集"
    disadvantages:
      - "需要预先指定簇的数量K"
      - "对初始中心点敏感，容易受到噪声影响"
    applicable_scenarios: "适用于簇形状较为规则且数据量较大的聚类问题。"

  KMeansPlusPlus:
    principle: "K-Means++是一种改进的初始化方法，通过选择更远离当前簇中心的样本点作为初始中心，提升K均值聚类的效果。"
    advantages:
      - "比传统K均值方法更稳定"
      - "可以减少聚类结果的变异性"
    disadvantages:
      - "依然存在需要指定K的问题"
      - "初始化仍然可能影响最终结果"
    applicable_scenarios: "适用于K均值聚类方法，并且希望改进初始中心选择的场景。"

  # 没实现这个方法
  # HierarchicalKMeans:
  #   principle: "层次化K均值结合了层次聚类和K均值聚类的方法，逐步将样本合并到已有簇中，形成层次化结构。"
  #   advantages:
  #     - "能够自动确定簇的数量"
  #     - "生成的树状图有助于理解数据结构"
  #   disadvantages:
  #     - "计算量大，尤其是在数据量较大时"
  #     - "对噪声和离群点敏感"
  #   applicable_scenarios: "适用于不确定簇的数量且数据结构较复杂的情况。"

  FCM:
    principle: "模糊C均值（FCM）允许每个数据点属于多个簇，基于隶属度来进行聚类。"
    advantages:
      - "能够处理数据点属于多个簇的情况"
      - "适用于软聚类问题"
    disadvantages:
      - "对初始簇中心和隶属度设置较为敏感"
      - "计算量大，尤其是簇数较多时"
    applicable_scenarios: "适用于数据点可以属于多个簇的情况，如图像分割等问题。"

  AgglomerativeClustering:
    principle: "层次聚类通过将相似度较高的样本逐步合并，最终形成树状结构（树状图）。"
    advantages:
      - "无需预先指定簇的数量"
      - "能够处理任意形状的簇"
    disadvantages:
      - "计算复杂度较高，数据量大时效率低"
      - "容易受到噪声的影响"
    applicable_scenarios: "适用于不确定簇的数量且簇的形状较复杂的场景。"

  DBSCAN:
    principle: "DBSCAN基于密度的聚类方法，通过寻找密集区域来划分簇，对于稀疏区域则标记为噪声点。"
    advantages:
      - "能够发现任意形状的簇"
      - "不需要预先指定簇的数量，能够自动识别噪声"
    disadvantages:
      - "对参数设置敏感，尤其是邻域半径和最小样本数"
      - "不适用于簇大小差异过大的数据集"
    applicable_scenarios: "适用于具有明显密度差异的数据集，尤其适合处理含有噪声的数据。"

  GaussianMixture:
    principle: "高斯混合模型（GMM）假设数据是由多个高斯分布的混合体组成，通过EM算法估计每个数据点的隶属概率。"
    advantages:
      - "能够处理重叠的簇"
      - "可以自动估计每个簇的分布"
    disadvantages:
      - "计算复杂度高，容易陷入局部最优解"
      - "需要预先指定簇的数量"
    applicable_scenarios: "适用于需要拟合混合高斯分布的数据，尤其适合处理连续数据。"

  SpectralClustering:
    principle: "谱聚类通过构造样本之间的相似度矩阵，并计算其特征值与特征向量来实现聚类。"
    advantages:
      - "能够处理复杂的簇结构"
      - "适用于非凸形状的簇"
    disadvantages:
      - "计算量大，尤其在大数据集上效率低"
      - "需要计算样本间的相似度矩阵，存储和计算成本较高"
    applicable_scenarios: "适用于样本之间相似度较强，但簇形状复杂或非凸的聚类任务。"