树模型
M5P
作用：构建“模型树”，即在树的每个叶节点用线性回归方程来预测数值。适合回归任务。
- 优点：
能处理复杂的非线性关系，同时在每个叶节点用线性模型细化预测，精度高。
解释性较好，可能看到分裂规则和线性方程。
缺点：
对噪声敏感，树结构可能较麻烦。
训练速度比方便树慢。
侧重点：既能分群，又能在群内拟合线性关系，适合数据有明显分段线性特征时。
REPTree
作用：快速构建决策树，拥护回归和分类。采用信息增益/方差减少分裂，剪枝防止过拟合。
- 优点：
速度快，适合大数据集。
剪枝机制减少过拟合。
- 缺点：
解释性一般，树结构可能不如M5P细致。
对异常值敏感。
侧重点：快速建模，适合初步探索数据结构。
DecisionStump
作用：只分裂一次的“单层树”，即只用一个属性做一次分裂。常用于集成学习的基学习器。
- 优点：
极其简单，速度快。
在集成手段中（如Bagging、Boosting）表现好。
- 缺点：
单独应用时预测能力极弱。
不能捕捉复杂关系。
侧重点：作为集成学习的“弱学习器”，单独分析时仅能做最粗略的分群。
RandomTree
RandomForest的基础。就是作用：构建随机决策树，每次分裂只考虑部分属性。
- 优点：
能处理高维数据，抗过拟合。
速度快，适合大内容。
- 缺点：
单棵树不稳定，结果波动大。
解释性较差。
侧重点：用于集成（如RandomForest），单独用时适合探索数据多样性。
DecisionTable
作用：基于属性组合的查找表，适合分类和回归。通过属性子集选择和查找表预测。
- 优点：
解释性好，能清楚看到哪些属性组合影响结果。
对缺失值有一定容忍度。
- 缺点：
对高维数据不友好，表太大时效率低。
不能捕捉复杂非线性关系。
侧重点：适合属性较少、组合关系明显的数据。
元学习模型
meta.AdditiveRegression
作用：集成方法，类似Boosting。通过多轮训练，每轮拟合前一轮的残差，最终将多个弱学习器加权组合。
- 优点：
能显著提升弱学习器的性能。
对复杂关系拟合能力强。
- 缺点：
对噪声敏感，容易过拟合。
训练时间长。
侧重点：提升回归模型精度，适合模型基础能力一般时。
meta.Bagging
作用：集成办法，通过对材料多次有放回采样，训练多个模型，最终结果取平均（回归）或投票（分类）。
- 优点：
降低方差，提升稳定性。
抗过拟合能力强。
- 缺点：
解释性差，难以理解整体模型逻辑。
训练资源消耗大。
侧重点：提升模型稳定性，适合基础模型波动大时。
meta.RandomCommittee
作用：集成方法，训练多个基础模型（通常是随机树），结果取平均。
- 优点：
提升预测精度，抗过拟合。
适合高维数据。
- 缺点：
解释性差。
训练时间长。
侧重点：提升模型泛化能力，适合艰难数据。
meta.RandomizableFilteredClassifier
作用：集成和预处理结合，先对数据做过滤（如特征选择、变换），再用可随机化的分类器训练。
- 优点：
能自动处理数据预处理和建模。
灵活性高。
- 缺点：
配置困难，解释性一般。
依赖过滤器和基础模型性能。
侧重点：适合需要自动化预处理和建模的场景。
meta.RandomSubSpace
作用：集成方式，每个基础模型只用部分特征子集训练，结果集成。
- 优点：
提升模型多样性，抗过拟合。
适合高维数据。
- 缺点：
解释性差。
训练时间长。
侧重点：适合特征很多、模型容易过拟合的内容。
meta.RegressionByDiscretization
作用：将回归问题转化为分类问题（依据离散化目标变量），再用分类器预测，最后将分类结果映射回数值。
- 优点：
能用强大的分类器解决回归问题。
适合目标变量分布不均时。
- 缺点：
精度受离散化影响，解释性一般。
可能损失连续性信息。
侧重点：适合目标变量分布特殊、分类器强于回归器时。
懒惰学习
lazy.IBK
作用：K近邻算法（KNN），预测时查找最近的K个样本，取平均（回归）或投票（分类）。
- 优点：
无需训练，模型简单。
能捕捉局部模式。
- 缺点：
对数据规模和噪声敏感，预测慢。
不能解释全局规律。
侧重点：适合数据量不大、局部规律明显时。
lazy.LWL
作用：局部加权学习，每次预测时在邻域内训练一个模型（如线性回归），用加权方式预测。
- 优点：
能捕捉复杂的局部非线性关系。
灵活性高。
- 缺点：
预测慢，计算量大。
解释性差。
侧重点：适合数据分布繁琐、局部模式强烈时。