1決策樹（Decision Trees）的優缺點
決策樹的優點：
一、 決策樹易於理解和解釋.人們在通過解釋后都有能力去理解決策樹所表達的意義。
二、 對於決策樹，數據的准備往往是簡單或者是不必要的.不需要預處理數據。
三、 決策樹是一個白盒模型。如果給定一個觀察的模型，那么根據所產生的決策樹很容易推出相應的邏輯表達式。
四、 在相對短的時間內能夠對大型數據源做出可行且效果良好的結果。
五、 可以對有許多屬性的數據集構造決策樹。
六、 決策樹可很好地擴展到大型數據庫中，同時它的大小獨立於數據庫的大小。
決策樹的缺點：
一、 對於那些各類別樣本數量不一致的數據，在決策樹當中,信息增益的結果偏向於那些具有更多數值的特征。
二、 決策樹處理缺失數據時的困難。
三、 過度擬合問題的出現。
四、 忽略數據集中屬性之間的相關性。
2 人工神經網絡的優缺點
人工神經網絡的優點：分類的准確度高,並行分布處理能力強,分布存儲及學習能力強，對噪聲神經有較強的魯棒性和容錯能力，能充分逼近復雜的非線性關系，具備聯想記憶的功能等。
人工神經網絡的缺點：神經網絡需要大量的參數，如網絡拓撲結構、權值和閾值的初始值；不能觀察之間的學習過程，輸出結果難以解釋，會影響到結果的可信度和可接受程度；學習時間過長,甚至可能達不到學習的目的。
3 遺傳算法的優缺點
遺傳算法的優點：
一、 與問題領域無關切快速隨機的搜索能力。
二、 搜索從群體出發，具有潛在的並行性，可以進行多個個體的同時比較，魯棒性好。
三、 搜索使用評價函數啟發，過程簡單。
四、 使用概率機制進行迭代，具有隨機性。
五、 具有可擴展性，容易與其他算法結合。
遺傳算法的缺點：
一、 遺傳算法的編程實現比較復雜,首先需要對問題進行編碼,找到最優解之后還需要對問題進行解碼,
二、 另外三個算子的實現也有許多參數,如交叉率和變異率,並且這些參數的選擇嚴重影響解的品質,而目前這些參數的選擇大部分是依靠經驗.沒有能夠及時利用網絡的反饋信息,故算法的搜索速度比較慢，要得要較精確的解需要較多的訓練時間。
三、 算法對初始種群的選擇有一定的依賴性，能夠結合一些啟發算法進行改進。
4 KNN算法(K-Nearest Neighbour) 的優缺點
KNN算法的優點：
一、 簡單、有效。
二、 重新訓練的代價較低。
三、 由於KNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對於類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。
四、 該算法比較適用於樣本容量比較大的類域的自動分類，而那些樣本容量較小的類域采用這種算法比較容易產生誤分。
KNN算法缺點：
一、 KNN算法是懶散學習方法（lazy learning,基本上不學習），一些積極學習的算法要快很多。
二、 類別評分不是規格化的（不像概率評分）。
三、 輸出的可解釋性不強。
四、 該算法在分類時有個主要的不足是，當樣本不平衡時，如一個類的樣本容量很大，而其他類樣本容量很小時，有可能導致當輸入一個新樣本時，該樣本的K個鄰居中大容量類的樣本占多數。該算法只計算“最近的”鄰居樣本，某一類的樣本數量很大，那么或者這類樣本並不接近目標樣本，或者這類樣本很靠近目標樣本。無論怎樣，數量並不能影響運行結果。可以采用加權值的方法來改進。
五、 計算量較大。目前常用的解決方法是事先對已知樣本點進行剪輯，事先去除對分類作用不大的樣本。
六、 k值的確定。
5 支持向量機（SVM）的優缺點
SVM的優點：
一、 可以解決小樣本情況下的機器學習問題。
二、 可以提高泛化性能。
三、 可以解決高維問題。
四、 可以解決非線性問題。
五、 可以避免神經網絡結構選擇和局部極小點問題。
SVM的缺點：
一、 對缺失數據敏感。
二、 對非線性問題沒有通用解決方案，必須謹慎選擇Kernel function來處理。
6 朴素貝葉斯的優缺點
優點：
一、 朴素貝葉斯模型發源於古典數學理論，有着堅實的數學基礎，以及穩定的分類效率。
二、 NBC模型所需估計的參數很少，對缺失數據不太敏感，算法也比較簡單。
缺點：
一、 理論上，NBC模型與其他分類方法相比具有最小的誤差率。但是實際上並非總是如此，這是因為NBC模型假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的（可以考慮用聚類算法先將相關性較大的屬性聚類），這給NBC模型的正確分類帶來了一定影響。在屬性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型。而在屬性相關性較小時，NBC模型的性能最為良好。
二、 需要知道先驗概率。
三、 分類決策存在錯誤率。
7 Adaboosting方法的優點
一、 adaboost是一種有很高精度的分類器。
二、 可以使用各種方法構建子分類器，Adaboost算法提供的是框架。
三、 當使用簡單分類器時，計算出的結果是可以理解的。而且弱分類器構造極其簡單。
四、 簡單，不用做特征篩選。
五、 不用擔心overfitting。
准確率和召回率的使用條件和計算方式，即什么情況下正確率指標不適用？
准確率(accuracy) = 預測對的/所有 = (TP+TN)/(TP+FN+FP+TN)
精確率(precision) = TP/(TP+FP)
召回率(recall) = TP/(TP+FN)
在正負樣本不平衡的情況下，准確率這個評價指標有很大的缺陷。
比如在互聯網廣告里面，點擊的數量是很少的，一般只有千分之幾，如果用acc，即使全部預測成負類（不點擊）acc 也有 99% 以上，沒有意義。
轉自：http://www.cnblogs.com/ljy2013/p/4268158.html