1.資料量大於10萬採用隨機梯度下降，效果不錯，大大的節約時間成本 2.資料量小於1萬的可以採用kmeans聚類演算法，無效果採用特殊聚類或者GMM模型。大於1萬的採用minibatch kmeans演算法。使用kmeans聚類的前提是聚類類別數量知道。 3.聚類類別數量未知的情況下，資料量小於1萬時，採用meanshift或者VBGMM模型，大於1萬時，就咩有什麼有效的演算法 4.聚類演算法是建立在沒有標記樣本的資料，屬於無監督模型 5.知道樣本的類別標籤，小於10萬，採用線性SVM分類，沒有效果，如果是文字資料，採用樸素貝葉斯，不是採用最近鄰分類，最近鄰無效，採用SVC或者採用整合分類演算法。 6.如果資料量大於10萬，採用隨機梯度下降，沒有效果，採用核函式近似的方法，這些演算法屬於有監督學習，知道樣本類別標籤 7.樣本數量小於50，需要獲取更多的樣本，否則演算法的效果沒有用，也就是說機器學習的演算法建立的資料樣本規模要大於50 8.上面的是分類問題，下面說一下預測問題 9.預測質量，資料樣本大於10萬，採用隨機梯度下降回歸法，資料樣本小於10萬，並且只有少數特徵有效的情況下，採用Lasso，ElasticNet演算法。如果不是，採用SVR（線性核函式），嶺迴歸模型（ridge regression），如果無效，採用SVR（非線性核函式），或者整合迴歸 10.僅僅是資料尋找，可以採用隨機PCA，沒有效果，資料量小於1萬，採用Isomap或者採用普嵌入演算法（spectral embedding），乜有效果採用LLE演算法，這下演算法用於減低維度 11.如果資料量大於1萬，採用核函式近似演算法降低維度 12如果是預測結構，就沒有什麼有效的演算法了。