决策树 vs 聚类算法 vs线性回归

总结

如果我们不太了解我们所拥有的数据，但是想要将他们分组来观察他们的表现，聚类是个不错的选择；
如果我们想要进行预测，通常使用回归的方法。在使用回归方法是，通常最先尝试最为简单的线性回归；
如果想要基于数据的历史类别和特性对它们进行再分类，通常使用决策树。

具体了解

聚类算法（无监督学习）

聚类技术能够把数据分为多个组，是的组间差异大，组内差异小。这是一种无监督学习的方法，能够找出数据间逻辑上的联系。聚类算法通常用于哪些我们对原始数据的各项指标不了解的情况，通过聚类结果，分析组内和组间的数据有助于找出数据的内在联系。

决策树

决策树常常被用于企业中的分类、预测场景。决策树的是有层次的树形结构，利于理解和解释。例如：销售部门可能会利用决策树方法来分析获得用户的方法。

线性回归

线性回归是最古老但是最常用的回归方法。线性回归通常用于得出解释变量和被解释变量之间的关系。通过回归结果，我们可以对被解释变量进行预测。他们可以是连续型也可以是离散型的。