《OpenCV》这本书有两页在462-463页。在亚马逊预览版中搜索“有区别的”(可能也有谷歌本书)，就能看到相关的页面。这两页是我在这本书中发现的最珍贵的宝石。

简而言之:

增强——当有大量可用的训练数据时通常是有效的。 随机树-通常非常有效，也可以执行回归。 k近邻-你能做的最简单的事情，通常有效但缓慢，需要大量内存。 神经网络——训练速度慢，但运行速度很快，仍然是字母识别的最佳表现。 SVM -在数据有限的情况下是最好的，但只有在大数据集可用时才会输给增强或随机树。

我的看法是，你总是首先运行基本的分类器来了解你的数据。通常情况下(至少在我的经验中)，他们已经足够好了。

所以，如果你有监督数据，训练朴素贝叶斯分类器。如果有无监督数据，可以尝试k-均值聚类。

另一个资源是斯坦福机器学习系列视频中的一个讲座视频，我之前看过。在视频4或5中，我认为，讲师讨论了训练分类器时的一些普遍接受的惯例，优点/权衡等。

您应该始终考虑推断与预测之间的权衡。

如果你想了解数据中发生的复杂关系，那么你应该使用丰富的推理算法(例如线性回归或套索)。另一方面，如果你只对结果感兴趣，你可以使用高维和更复杂(但更难以解释)的算法，比如神经网络。

首先，你需要确定你的问题。这取决于您拥有的数据类型以及您想要的任务是什么。

如果你是预测类: 你有标签数据 您需要遵循分类方法及其算法 你没有标签数据 你需要使用集群方法 如果你在预测数量: 你需要使用回归方法 否则 你可以使用降维方法

上面提到的每种方法都有不同的算法。特定算法的选择取决于数据集的大小。

来源:http://scikit-learn.org/stable/tutorial/machine_learning_map/

在选择使用哪种算法时，你可能会考虑的事情包括:

Do you need to train incrementally (as opposed to batched)? If you need to update your classifier with new data frequently (or you have tons of data), you'll probably want to use Bayesian. Neural nets and SVM need to work on the training data in one go. Is your data composed of categorical only, or numeric only, or both? I think Bayesian works best with categorical/binomial data. Decision trees can't predict numerical values. Does you or your audience need to understand how the classifier works? Use Bayesian or decision trees, since these can be easily explained to most people. Neural networks and SVM are "black boxes" in the sense that you can't really see how they are classifying data. How much classification speed do you need? SVM's are fast when it comes to classifying since they only need to determine which side of the "line" your data is on. Decision trees can be slow especially when they're complex (e.g. lots of branches). Complexity. Neural nets and SVMs can handle complex non-linear classification.

Sam Roweis曾经说过，你应该先尝试朴素贝叶斯，逻辑回归，k近邻和Fisher线性判别。