在学习分类算法时看见这篇文章，总结的比较详尽，特此转载过来你们分享，谢谢原作者的总结！！！
一、决策树（Decision Trees）的优缺点 决策树的优点：
1、决策树便于理解和解释.人们在通过解释后都有能力去理解决策树所抒发的意义。
2、对于决策树，数据的打算常常是简单或则是不必要的.其他的技术常常要求先把数据一般化，比如除去多余的或则空白的属性。
3、 能够同时处理数据型和常规型属性。其他的技术常常要求数据属性的单一。
4、决策树是一个白盒模型。如果给定一个观察的模型，那么按照所形成的决策树很容易推出相应的逻辑表达式。
5、易于通过静态测试来对模型进行评测。表示有可能检测该模型的可信度。
6、在相对短的时间内就能对小型数据源作出可行且疗效良好的结果。
7、可以对有许多属性的数据集构造决策树。
8、决策树可挺好地扩充到小型数据库中，同时它的大小独立于数据库的大小。
决策树的缺点：
1、对于这些各类别样本数目不一致的数据，在决策树当中,信息增益的结果偏向于这些具有更多数值的特点。
2、决策树处理缺位数据时的困难。
3、过度拟合问题的出现。
4、忽略数据集中属性之间的相关性。
二、 人工神经网络的优缺点 人工神经网络的优点：分类的准确度高,并行分布处理能力强,分布储存及学习能力强，对噪音神经有较强的鲁棒性和容错能力，能充分迫近复杂的非线性关系，具备联想记忆的功能等。
人工神经网络的缺点：神经网路须要大量的参数，如网路拓扑结构、权值和阀值的初始值；不能观察之间的学习过程，输出结果无法解释，会影响到结果的可信度和可接受程度；学习时间过长,甚至可能达不到学习的目的。
三、 遗传算法的优缺点 遗传算法的优点：
1、与问题领域无关切快速随机的搜索能力。
2、搜索从群体出发，具有潜在的并行性，可以进行多个个体的同时比较人工神经网络和支持向量机优点，鲁棒性好。
3、搜索使用评价函数启发，过程简单。
4、使用机率机制进行迭代，具有随机性。
5、具有可扩展性，容易与其他算法结合。
遗传算法的缺点：
1、遗传算法的编程实现比较复杂,首先须要对问题进行编码,找到最优解以后还须要对问题进行解码,
2、另外三个算子的实现也有许多参数,如交叉率和变异率,并且那些参数的选择严重影响解的品质,而目前这种参数的选择大部分是借助经验.没有才能及时借助网路的反馈信息,故算法的搜索速率比较慢，要得要较精确的解须要较多的训练时间。
3、算法对初始种群的选择有一定的依赖性，能够结合一些启发算法进行改进。
四、 KNN算法(K-Nearest Neighbour) 的优缺点 KNN算法的优点：
1、简单、有效。
2、重新训练的代价较低（类别体系的变化和训练集的变化，在Web环境和电子商务应用中是很常见的）。
3、计算时间和空间线性于训练集的规模（在一些场合不算太大）。
4、由于KNN方式主要靠周围有限的毗邻的样本，而不是靠分辨类域的方式来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方式较其他方式更为适宜。
5、该算法比较适用于样本容量比较大的类域的自动分类，而这些样本容量较小的类域采用这些算法比较容易形成误分。
KNN算法缺点：
1、 KNN算法是懒散学习方法（lazy learning,基本上不学习），一些积极学习的算法要快好多。
2、类别评分不是规格化的（不像机率评分）。
3、输出的可解释性不强，例如决策树的可解释性较强。
4、该算法在分类时有个主要的不足是，当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能造成当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数。该算法只估算“最近的”邻居样本，某一类的样本数目很大，那么或则这类样本并不接近目标样本，或者这类样本很紧靠目标样本。无论如何，数量并不能影响运行结果。可以采用残差的方式（和该样本距离小的邻居残差大）来改进。
5、计算量较大。目前常用的解决方式是事先对已知样本点进行剪辑，事先消除对分类作用不大的样本。
五、支持向量机（SVM）的优缺点 SVM的优点：
1、可以解决小样本情况下的机器学习问题。
2、可以提升泛化性能。
3、可以解决高维问题。
4、可以解决非线性问题。
5、可以避免神经网路结构选择和局部极小点问题。
SVM的缺点：
1、对缺位数据敏感。
2、对非线性问题没有通用解决方案，必须慎重选择Kernelfunction来处理。
六、 朴素贝叶斯的优缺点
朴素贝叶斯的优点：
1、朴素贝叶斯模型发祥于古典物理理论，有着坚实的物理基础，以及稳定的分类效率。
2、NBC模型所需恐怕的参数极少，对缺位数据不太敏感，算法也比较简单。
朴素贝叶斯的缺点：
1、理论上人工神经网络和支持向量机优点，NBC模型与其他分类方式相比具有最小的偏差率。但是实际上并非总是这般，这是因为NBC模型假定属性之间互相独立，这个假定在实际应用中常常是不创立的（可以考虑用聚类算法先将相关性较大的属性降维），这给NBC模型的正确分类带来了一定影响。在属性个数比较多或则属性之间相关性较大时，NBC模型的分类效率比不上决策树模型。而在属性相关性较小时，NBC模型的性能最为良好。
2、 需要晓得先验机率。
3、分类决策存在错误率
七、 Adaboosting方式的优点
1、 adaboost是一种有很高精度的分类器。
2、可以使用各类方式建立子分类器，Adaboost算法提供的是框架。
3、当使用简单分类器时，计算出的结果是可以理解的。而且弱分类器构造十分简单。
4、 简单，不用做特点筛选。
5、不用害怕overfitting。
八、 Rocchio的优点
Rocchio算法的突出优点是容易实现，计算（训练和分类）特别简单，它一般拿来实现评判分类系统性能的基准系统，而实用的分类系统极少采用这些算法解决具体的分类问题。
九、各种分类算法比较
根据这篇论文所得出的推论，Calibrated boosted trees的性能最好，随机森林第二，uncalibrated bagged trees第三,calibratedSVMs第四， uncalibrated neural nets第五。
性能较差的是朴素贝叶斯，决策树。
有些算法在特定的数据集下表现较好。
[1] 罗森林, 马俊, 潘丽敏.数据挖掘理论与技术[M].电子工业出版社.2013.126-126
[2] 杨晓帆,陈廷槐.人工神经网络固有的优点和缺点[J].计算机科学.1994(vol.21).23-26
[3] Steve.遗传算法的优缺点.
[4] 杨建武.文本手动分类技术.
%E5%88%86%E7%B1%BB.pdf
[5] 白云球工作室. SVM(支持向量机)综述.
[6] 张春天. 统计学习理论和SVM的不足（1）.
[7] RichCaruana，AlexandruNiculescu-Mizil.An Empirical Comparison of Supervised LearningAlgorithms.2006
