1、决策树
适用条件：数据不同类边界是非线性的，并且通过不断将特征空间切分为矩阵来模拟。特征之间有一定的相关性。特征取值的数目应该差不多，因为信息增益偏向于更多数值的特征。
优点：1.直观的决策规则；2.可以处理非线性特征；3.考虑了变量之间的相互作用。
缺点：1.容易过拟合（随机森林、剪枝）；2.处理缺失数据时的困难；3、数据集中属性间的相关性。
2、SVM
适用条件：特征空间大，可以处理非线性的特征。
优点：1、可以处理小样本情况下的机器学习问题；2、可以处理高维特征；3、使用核函数应对非线性特征空间，解决非线性问题；4、分类面不依赖所有数据，只与几个支持向量有关
缺点：1.对于大量的预测样本，效率会很低；2.需要找合适的核函数。3、对缺失数据敏感
3、LR
适用条件：数据线性分布；
优点：1.模型简单，训练速度快；2.逻辑回归广泛应用与工业问题上。
缺点：1、形式简单，但准确率不是很高；2、依赖所有数据，很难处理数据不平衡问题；3、处理非线性数据较麻烦。逻辑回归在不引入其他方法的情况下，只能处理线性可分的数据，或者进一步说，处理二分类的问题；4、逻辑回归本身无法筛选特征。有时候，我们会用gbdt来筛选特征，然后再上逻辑回归。
4、三者对比：
模型复杂度：SVM支持核函数，可处理线性非线性问题;LR模型简单，训练速度快，适合处理线性问题;决策树容易过拟合，需要进行剪枝
损失函数：SVM hinge loss; LR L2正则化; DT adaboost 指数损失
数据敏感度：SVM添加容忍度对outlier不敏感，只关心支持向量，且需要先做归一化; LR对远点敏感
数据量：数据量大就用LR，数据量小且特征少就用SVM非线性核
5、神经网络
适用条件：数据量庞大，参数之间存在内在联系。
优点：1.并行分布处理能力强；2.提取数据特征；3.逼近复杂的非线性关系。
缺点：1.需要大量参数；2.学习时间过长；3.不能观察之间的学习过程，输出结果难以解释。
6、随机森林
优点：1、训练可以高度并行化，对于大数据时代的大样本训练速度有优势；2、能够处理很高维度（feature很多）的数据，并且不用做特征选择；3、可以用于特征选择，给出各个特征的重要性，缩减特征空间维度；4、由于采用了随机采样，训练出的模型的方差小，泛化能力强；5、实现简单，对部分缺失数据不敏感（由于是随机选择样本、随机选择特征）
缺点：1、在某些噪音比较大的样本集上，RF模型容易陷入过拟合；2、对于有不同取值的属性的数据，取值划分较多的属性会对随机森林产生更大的影响，所以随机森林在这种数据上产出的属性权值是不可信的。
7、Adaboost
优点：1、Adaboost作为分类器时，分类精度很高。；2、在Adaboost的框架下，可以使用各种回归分类模型来构建弱学习器，不用对特征进行筛选，非常灵活。 3、不容易发生过拟合。
缺点：1、对异常样本敏感，异常样本在迭代中可能会获得较高的权重，影响最终的强学习器的预测准确性。2、由于弱学习器之间存在依赖关系，难以并行训练数据。不过可以通过自采样的SGBT来达到部分并行。
8、GBDT
优点：1、可以灵活处理各种类型的数据，包括连续值和离散值，处理分类和回归问题；2、 在相对少的调参时间情况下，预测的准备率也可以比较高。这个是相对SVM来说的；3、可以用于筛选特征。
4、使用一些健壮的损失函数，对异常值的鲁棒性非常强。比如 Huber损失函数和Quantile损失函数。
缺点：1、由于弱学习器之间存在依赖关系，难以并行训练数据。不过可以通过自采样的SGBT来达到部分并行。
参考文献：https://blog.csdn.net/cppjava_/article/details/68922113
https://www.jianshu.com/p/169dc01f0589
来源：oschina
链接：https://my.oschina.net/u/4284451/blog/3934561