原文來自： http://bbs.pinggu.org/thread-2604496-1-1.html，這裏對部分地方添加了注解以及自己的理解。原文對一些常用的分類算法，如決策樹、SVM、樸素貝葉斯、adaboost、KNN等都提到了，總結得比較好，這裏增加了一些自己的理解（文中斜體標明）。
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.人們在通過解釋後都有能力去理解決策樹所表達的意義。
二、 對於決策樹，數據的準備往往是簡單或者是不必要的.其他的技術往往要求先把數據一般化，比如去掉多餘的或者空白的屬性。
三、 能夠同時處理數據型和類別型屬性。其他的技術往往要求數據屬性的單一。
四、 決策樹是一個白盒模型。如果給定一個觀察的模型，那麽根據所產生的決策樹很容易推出相應的邏輯表達式。
五、 易於通過靜態測試來對模型進行評測。表示有可能測量該模型的可信度。
六、 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。
七、 可以對有許多屬性的數據集構造決策樹。
八、 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。
九、 決策樹常用於集成算法，如隨機森林，提升樹等，效果更佳。
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：分類的準確度高,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，能充分逼近複雜的非線性關係，具備聯想記憶的功能等。特別重要的是，神經網絡可以用來提取特征，這是許多其他機器學習方法所不具備的能力（例如使用autoencoder，不標注語料的情況下，可以得到原始數據的降維表示）。
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、 使用概率機製進行迭代，具有隨機性。
五、 具有可擴展性，容易與其他算法結合。
六、 天生具有良好的並行性，通過選擇構造多個種群，可以分布式獨立來跑。（注）
遺傳算法的缺點：
一、 遺傳算法的編程實現比較複雜,首先需要對問題進行編碼,找到最優解之後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。
四、 據我所知，遺傳算法目前的一些最成功的應用還是在求解多元高次方程組，在工業界的機器學習中用到還不多哇。
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（類別體係的變化和訓練集的變化，在Web環境和電子商務應用中是很常見的）。
三、 計算時間和空間線性於訓練集的規模（在一些場合不算太大）。
四、 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。
五、 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，例如決策樹的可解釋性較強。
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。該算法隻計算“最近的”鄰居樣本，某一類的樣本數量很大，那麽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。可以采用權值的方法（和該樣本距離小的鄰居權值大）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。
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。【注: 這個小是有限度的，訓練語料必須覆蓋支持向量上的點，樣本特別小的時候語料分布很難近似於真實數據的分布，可以采用bootstrap選擇少量種子來迭代擴大召回的方法。】
二、 可以提高泛化性能。(根據VC維理論，SVM不容易過擬合)
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Kernelfunction來處理。
6. 樸素貝葉斯的優缺點
優點：
一、 樸素貝葉斯模型發源於古典數學理論，有著堅實的數學基礎，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。(正所謂成也蕭何敗也蕭何，樸素貝葉斯正因為”樸素”（獨立假設）而簡單有效，但也因為這個而具有局限性。)
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（例如使用決策樁，樁的選擇依據可以是信息增益，誤分類率，GINI不純度等）。
四、 簡單，不用做特征篩選。
五、 不用擔心overfitting。
8 Rocchio的優點
Rocchio算法的突出優點是容易實現，計算（訓練和分類）特別簡單，它通常用來實現衡量分類係統性能的基準係統，而實用的分類係統很少采用這種算法解決具體的分類問題。（這個方法有點想Kmeans, 就是把某一類的所有向量加起來（或均值）作為這個類的向量表示（或質心））
9. 各種分類算法比較
根據這篇論文所得出的結論,
Calibrated boosted trees的性能最好，隨機森林第二，uncalibrated bagged trees第三,calibratedSVMs第四， uncalibrated neural nets第五。
性能較差的是樸素貝葉斯，決策樹。
有些算法在特定的數據集下表現較好。
10. 再補充一條：最大熵模型
主要優點：1）天然支持多分類 2）相對於SVM，具有較好的特征選擇能力，能自動將某些特征權值置為0
主要缺點：1）模型訓練比較慢。2）一般用於學習的實現比較簡單（如GIS） ，工業級的實現比較困難。
參考文獻：
[1] 羅森林, 馬俊, 潘麗敏.數據挖掘理論與技術[M].電子工業出版社.2013.126-126
[2] 楊曉帆,陳廷槐.人工神經網絡固有的優點和缺點[J].計算機科學.1994(vol.21).23-26
[3] Steve.遺傳算法的優缺點.http://blog.sina.com.cn/s/blog_6377a3100100h1mj.html
[4] 楊建武.文本自動分類技術.
www.icst.pku.edu.cn/course/mining/12-13spring/TextMining04-%E5%88%86%E7%B1%BB.pdf
[5] 白雲球工作室. SVM(支持向量機)綜述.http://blog.sina.com.cn/s/blog_52574bc10100cnov.html
[6] 張夏天. 統計學習理論和SVM的不足（1）.http://blog.sciencenet.cn/blog-230547-248821.html
[7] RichCaruana，AlexandruNiculescu-Mizil.An Empirical Comparison of Supervised LearningAlgorithms.2006