http://www.cnblogs.com/tornadomeet/p/3395593.html
朴素貝葉斯的優點：
對小規模的數據表現很好，適合多分類任務，適合增量式訓練。
缺點：
對輸入數據的表達形式很敏感。
決策樹的優點：
計算量簡單，可解釋性強，比較適合處理有缺失屬性值的樣本，能夠處理不相關的特征；
缺點：
容易過擬合（后續出現了隨機森林，減小了過擬合現象）；
Logistic回歸優點：
1、實現簡單；
2、分類時計算量非常小，速度很快，存儲資源低；
缺點：
1、容易欠擬合，一般准確度不太高
2、只能處理兩分類問題（在此基礎上衍生出來的softmax可以用於多分類），且必須線性可分；
線性回歸優點：
實現簡單，計算簡單；
缺點：
不能擬合非線性數據；
KNN算法的優點：
1. 思想簡單，理論成熟，既可以用來做分類也可以用來做回歸；
2. 可用於非線性分類；
3. 訓練時間復雜度為O(n)；
4. 准確度高，對數據沒有假設，對outlier不敏感；
缺點：
1. 計算量大；
2. 樣本不平衡問題（即有些類別的樣本數量很多，而其它樣本的數量很少）；
3. 需要大量的內存；
SVM算法優點：
可用於線性/非線性分類，也可以用於回歸；
低泛化誤差；
容易解釋；
計算復雜度較低；
缺點：
對參數和核函數的選擇比較敏感；
原始的SVM只比較擅長處理二分類問題；
Boosting算法的優點：
低泛化誤差；
容易實現，分類准確率較高，沒有太多參數可以調；
缺點：
對outlier比較敏感；
k-means算法的優點：
（1）k-means算法是解決聚類問題的一種經典算法，算法簡單、快速。
（2）對處理大數據集，該算法是相對可伸縮的和高效率的，因為它的復雜度大約是O(nkt)，其中n是所有對象的數目，k是簇的數目,t是迭代的次數。通常k<<n。這個算法通常局部收斂。
（3）算法嘗試找出使平方誤差函數值最小的k個划分。當簇是密集的、球狀或團狀的，且簇與簇之間區別明顯時，聚類效果較好。
缺點：
（1）k-平均方法只有在簇的平均值被定義的情況下才能使用，且對有些分類屬性的數據不適合。
（2）要求用戶必須事先給出要生成的簇的數目k。
（3）對初值敏感，對於不同的初始值，可能會導致不同的聚類結果。
（4）不適合於發現非凸面形狀的簇，或者大小差別很大的簇。
（5）對於"噪聲"和孤立點數據敏感，少量的該類數據能夠對平均值產生極大影響。