在数据分析领域，机器学习是一种重要的工具，机器学习模型的选择在一定程度上会影响数据分析效果，那么，选择模型的原则有哪些？本文就此问题探讨一二。

模型效果

使用机器学习进行判断/预测的效果，如果不能接近/超过人类，那就没有任何意义。
如果人脸识别不能达到几乎100%准确，根本不可能使用人脸识别代替人工检查。
所以，追求模型预测准确是机器学习的核心目标。
（当然，预测的准确度不仅仅取决于模型的选择，应用模型之前，对数据的清洗和处理也很重要。）

运算速度

能够同时处理大量数据，可以在超短时间内极速学习，是机器学习的重要优势，如果机器学习的判断速度不能接近/超越人类，那计算机判断的优越性就几乎不存在了。
模型效果与运算速度往往是此消彼长的，在模型效果不错的情况下保障运算速度较快，是机器学习中重要的一环。

可解释性

机器学习是一门技术，是一门有门槛的技术，所以，大众注定不太可能短时间内熟悉它，但是技术人员肩负着要向老板，客户，同事，甚至亲朋好友解释机器学习在做什么的职责。
比如说，在“是否分发信用卡”的问题中，如果算法判断“这个人有违约风险，不发信用卡”，那客户很可能找上门来要个解释，这个时候，你能告诉他说“因为算法判断你不通过”吗？
因此，在解释性需求很强的领域，我们就需要可解释的算法。

服务于业务

而所有的一切，都是为了服务于业务。
只有模型效果优秀，运算速度快，还带有一部分可解释性的算法才是最优秀的算法。