传统机器学习优缺点

判断算法优劣时，可从以下几点思考：

1. 训练样本的数量
2. 特征空间的维数
3. 特征独立与否？
4. 模型是否是线性可分？
5. 过拟合现象？
6. 速度、性能、内存

logistic回归的优缺点

优点：

1. 容易实现，且易于解释（输出结果为概率）
2. 计算速度快，内存占用少
3. lr的输出类型是一个与样本相关概率列表，我们任意设定阈值，从而得到我们想要的分类结果；
4. LR对数据中的小噪音的鲁棒性很好，并且轻微的多重共线性不会对其结果产生特别的影响。严重的多重共线性可以使用LR+L2正则来解决。

缺点：

1. 当训练样本量大时，性能不好，同时容易发生欠拟合现象；
2. 传统的LR是线性二分类器，只能处理二分类问题；
3. 对于非线性特征，需要进行转换；

SVM的优缺点

优点：

1. 相比较LR，其能解决非线性问题；
2. SVM 的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数,这在某种意义上避免了“维数灾难”，也就是相对能解决高维问题；
3. SVM是最好的现成的分类器（现成是指不加修改可直接使用），并且能够得到较低的错误率；

缺点：

1. SVM算法对大数据训练样本难以实施（需要求解m阶矩阵的运算，m是样本数）
2. SVM解决多分类问题存在困难
3. 解决非线性问题时，无通用方法，需要谨慎选择核函数

决策树的优缺点

优点：

1. 结果易于理解，可解释性强；
2. 相比较于LR只能处理二值型特征，决策树可以处理连续性特征、数据型特征；
3. 运行速度快；

缺点：

1. 不支持在线学习（有新样本就要重新训练）
2. 容易过拟合
3. 忽略数据集中属性之间的相关性；
4. 数据有缺失时处理困难；

朴素贝叶斯的优缺点

优点：

1. 生成式模型，通过计算概率来进行分类（高偏差/低方差模型），对小数据适应良好适合增量式训练；
2. 预测速度快

缺点：

1. 对输入数据的表达形式很敏感
2. 需要特征条件独立；

DBSCAN的优缺点

优点：

1. 聚类速度快；
2. 基于密度定义，能够有效处理噪声点
3. 和k-means方法比，没有超参数，不需要事先定义簇的个数；
4. 聚类簇形状没有偏倚，可以发现任何形状的簇

基于密度定义，相对抗噪音，能处理任意形状和大小的簇
缺点：

1. 当空间聚类的密度不均匀、聚类间距差相差很大时，聚类质量较差，因为这种情况下参数MinPts和Eps选取困难。
2. 在高维空间，密度的定义是个问题；