1决策树（Decision Trees）的优缺点
决策树的优点：
一、 决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。
二、 对于决策树，数据的准备往往是简单或者是不必要的.不需要预处理数据。
三、 决策树是一个白盒模型。如果给定一个观察的模型，那么根据所产生的决策树很容易推出相应的逻辑表达式。
四、 在相对短的时间内能够对大型数据源做出可行且效果良好的结果。
五、 可以对有许多属性的数据集构造决策树。
六、 决策树可很好地扩展到大型数据库中，同时它的大小独立于数据库的大小。
决策树的缺点：
一、 对于那些各类别样本数量不一致的数据，在决策树当中,信息增益的结果偏向于那些具有更多数值的特征。
二、 决策树处理缺失数据时的困难。
三、 过度拟合问题的出现。
四、 忽略数据集中属性之间的相关性。
2 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,分布存储及学习能力强，对噪声神经有较强的鲁棒性和容错能力，能充分逼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：神经网络需要大量的参数，如网络拓扑结构、权值和阈值的初始值；不能观察之间的学习过程，输出结果难以解释，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。
3 遗传算法的优缺点
遗传算法的优点：
一、 与问题领域无关切快速随机的搜索能力。
二、 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，鲁棒性好。
三、 搜索使用评价函数启发，过程简单。
四、 使用概率机制进行迭代，具有随机性。
五、 具有可扩展性，容易与其他算法结合。
遗传算法的缺点：
一、 遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,
二、 另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验.没有能够及时利用网络的反馈信息,故算法的搜索速度比较慢，要得要较精确的解需要较多的训练时间。
三、 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。
4 KNN算法(K-Nearest Neighbour) 的优缺点
KNN算法的优点：
一、 简单、有效。
二、 重新训练的代价较低。
三、 由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。
四、 该算法比较适用于样本容量比较大的类域的自动分类，而那些样本容量较小的类域采用这种算法比较容易产生误分。
KNN算法缺点：
一、 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很多。
二、 类别评分不是规格化的（不像概率评分）。
三、 输出的可解释性不强。
四、 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，有可能导致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。该算法只计算“最近的”邻居样本，某一类的样本数量很大，那么或者这类样本并不接近目标样本，或者这类样本很靠近目标样本。无论怎样，数量并不能影响运行结果。可以采用加权值的方法来改进。
五、 计算量较大。目前常用的解决方法是事先对已知样本点进行剪辑，事先去除对分类作用不大的样本。
六、 k值的确定。
5 支持向量机（SVM）的优缺点
SVM的优点：
一、 可以解决小样本情况下的机器学习问题。
二、 可以提高泛化性能。
三、 可以解决高维问题。
四、 可以解决非线性问题。
五、 可以避免神经网络结构选择和局部极小点问题。
SVM的缺点：
一、 对缺失数据敏感。
二、 对非线性问题没有通用解决方案，必须谨慎选择Kernel function来处理。
6 朴素贝叶斯的优缺点
优点：
一、 朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。
二、 NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。
缺点：
一、 理论上，NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的（可以考虑用聚类算法先将相关性较大的属性聚类），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者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。
二、 需要知道先验概率。
三、 分类决策存在错误率。
7 Adaboosting方法的优点
一、 adaboost是一种有很高精度的分类器。
二、 可以使用各种方法构建子分类器，Adaboost算法提供的是框架。
三、 当使用简单分类器时，计算出的结果是可以理解的。而且弱分类器构造极其简单。
四、 简单，不用做特征筛选。
五、 不用担心overfitting。
准确率和召回率的使用条件和计算方式，即什么情况下正确率指标不适用？
准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN)
精确率(precision) = TP/(TP+FP)
召回率(recall) = TP/(TP+FN)
在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。
比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点击）acc 也有 99% 以上，没有意义。
转自：http://www.cnblogs.com/ljy2013/p/4268158.html
