贝叶斯算法（Bayes）
优点：1：所需估计的参数少，对于缺失数据不敏感。2：有着坚实的数学基础，以及稳定的分类效率。
缺点：1：需要假设属性之间相互独立，这往往不成立（例如，喜欢吃番茄，鸡蛋，缺不喜欢吃番茄吵鸡蛋）。2：需要知道先验概率。3：分类决策存在错误率
决策树（Decision Tree）
优点：1：不需要任何领域知识或参数假设。2：适合高维数据。3：简单，易于理解。4：能够在短时间内处理大量数据，得到可行且效果较好的结果。5：能够同时处理数据型和常规型属性。
缺点：1：对于各类别样本数量不一致的数据，信息增益偏向于那些具有更多数量的样本。2：容易发生过拟合。3：忽略属性之间的相关性。4.不支持在线学习。
支持向量机（SVM）
优点：1，可以解决小样本下的机器学习问题。2，提高泛化性能。3，可以解决高维，非线性问题。超高维文本分类仍然受欢迎。4，避免神经网络结构选择和局部极小的问题。
缺点：1，对缺失数据敏感。2，内存消耗大，难以解释。3，运行速度慢，调参复杂。
K近邻（KNN）
优点：1，核心思路简单，理论成熟，既可以用来做分类，也可以用来做回归。2，可用于非线性分类。3，训练时间复杂度为O(n)。4，准确度高，对数据没有假设，对离群值不敏感。
缺点：1，计算量太大。2，对于样本分类不均衡的问题，会产生误判。3，需要大量的内存。4，输出的可解释性不强。
逻辑回归（Logistic Regression）
优点：1，速度快。2，简单，易于理解，直接看到各个特征的权值。3，能容易的更新模型，吸收新的数据。4，想要一个概率框架，能够动态的调节分类阈值。
缺点：特征处理过程复杂，需要进行归一化等特征工程。
神经网络（Neural Network）
优点：1，分类准确率高。2，并行处理能力强。3，分布式存储和学习能力强。4，鲁棒性较强，不易受噪声影响。
缺点：1，需要大量参数（网络拓扑，阈值）。2，结果难以解释。3，训练时间较长。
自适应增强算法（Adaboosting）
优点：1，有很高精度。2，可以使用各种方法构建子分类器，Adaboosting提供的框架。3，当使用简单分类器时，计算出的结果是可以理解的，而且弱分类器构造机器简单。4，流程简单，不用做特征选择。5，不用担心过拟合。
缺点：对离群值比较敏感。
