判断算法优劣时，可从以下几点思考：
- 训练样本的数量
- 特征空间的维数
- 特征独立与否？
- 模型是否是线性可分？
- 过拟合现象？
- 速度、性能、内存
logistic回归的优缺点
优点：
- 容易实现，且易于解释（输出结果为概率）
- 计算速度快，内存占用少
- 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；
- 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：
- 当训练样本量大时，性能不好，同时容易发生欠拟合现象；
- 传统的LR是线性二分类器，只能处理二分类问题；
- 对于非线性特征，需要进行转换；
SVM的优缺点
优点：
- 相比较LR，其能解决非线性问题；
- 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；
- 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：
- 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）
- SVM解决多分类问题存在困难
- 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：
- 结果易于理解，可解释性强；
- 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；
- 运行速度快；
缺点：
- 不支持在线学习（有新样本就要重新训练）
- 容易过拟合
- 忽略数据集中属性之间的相关性；
- 数据有缺失时处理困难；
朴素贝叶斯的优缺点
优点：
- 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；
- 预测速度快
缺点：
- 对输入数据的表达形式很敏感
- 需要特征条件独立；
DBSCAN的优缺点
优点：
- 聚类速度快；
- 基于密度定义，能够有效处理噪声点
- 和k-means方法比，没有超参数，不需要事先定义簇的个数；
- 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：
- 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。
- 在高维空间，密度的定义是个问题；