LR，SVM，决策树的选择

训练集有多大？

数据集小：可选择高偏差/低方差的分类器。（低偏差/高方差的分类器（LR）更加容易过拟合）

数据集小：选择低偏差/高方差的分类器。这样可以训练出更加准确的模型。

Logistic回归(Logistic Regression, LR)

1、使用LR可以快速搭建出一个模型来（也不需要考虑样本是否相关），如果模型效果不怎么样，也可以得到一个基准。

2、如果想要通过调节概率阈值来分类的话，使用LR更加合适，而且相比于SVM以及决策树，LR更加具有可解释性，因此在业务场景中，会好用一些。

决策树（Decision Tree, DT）
1、DT是根据特征的分布进行分裂的，不需要担心离群点以及是否线性可分的问题。但是DT更容易过拟合一些。这也是随机森林，xgboost等集成学习等算法提出来的原因。

2、而且随机森林其实在很多分类问题中表现的还是很好的，速度快，不需要像SVM那样大量调参。所以也是可以尝试的。

支持向量机（Support Vector Machine, SVM）

1、SVM有很高的正确率，选取合适的核函数的话，对于很多线性不可分的问题表现也是很好。而且在维度很高的时候，比较好用。但是SVM对于时间以及内存的要求比较高。如果特征的数量和观测样本特别多，那么当资源和时间充足时，可以使用SVM进行尝试。

但是。。。

更好的数据往往比更好的算法更重要，提取好的特征也需要很大的功夫。==如果数据集非常大，那么分类算法的选择可能对最后的分类性能影响并不大（所以可以根据运行速度或者易用性来选择）。如果你很在意分类的正确率，那么你得尝试多种分类器，根据交叉验证的结果来挑选性能最好的。或者，使用某种集成的方法来组合多个分类器。