1.逻辑回归： （1）优点： 第一：原理直观易懂，容易实践，以输出的概率的形式展现属于某一类别的置信度，获取的信息相当的丰富。 第二：逻辑回归属于二分类任务，对多分类任务，也可以通过一定的方式将其转换为多个二分类任务。 第三：虽然逻辑回归的单独应用比较少，但是涉及的原理在深度学习中有诸多的借鉴，如：逻辑回归中的Sigmoid函数也常用作深度学习中的非线性激活函数层，用以加强模型的拟合能力。 （2）不足： 第一：对于特征比较复杂的数据以及复杂文本，容易欠拟合，效果比较一般。 第二：在自然语言处理领域中，由于文本的特征相对较复杂，在文本的特征层面需要考虑的方面比较多，所以逻辑回归一般只能应用于比较简单的自然语言处理任务，通常是特征比较明确而且数量不多的情况下。

2.朴素贝叶斯： （1）优点： 第一：基于古典数学理论，算法直观简单，对缺失数据不太敏感，在简单的数据上分类效果不错。 （2）不足： 第一：基于特征条件独立假设进行分类，因此当数据集的特征存在关联时，分类效果不佳。 第二：对于文本而言，不仅仅是词的堆叠，其中词汇间存在相关性，如果把每个词汇当成是本文特征，那么便不满足特征条件独立性假设，不适用于朴素贝叶斯算法来建模。 第三：需要事先假设特征的先验分布，如果假设与真实情况不太符合，那么模型效果肯定也会受影响。而类别的先验分布也一般基于训练数据来计算，在数据没有代表性，不太能表征真实数据的情况下，也会产生较多误分类。

3.KMeans算法： （1）优点： 第一：简单实用的聚类算法，大至总统选举，小至用户评论聚类，在很多领域都有应用。 第二：调节参数过程也比较简单，主要为K的选择，而且算法的可解释性也较强。 （2）不足： 第一：在数据比较复杂而且数量大的时候，K的取值不好把握； 第二：基于质心的计算模式，异常数据对算法也有很大的影响，所以检测及删除异常点是很重要的预处理步骤。再者，如果类别数据不平衡也很难达到很好的效果； 第三：不能处理非球形簇，不同尺寸及不同密度的簇。

4.决策树： （1）优点： 第一：直观易懂，规则性强； （2）不足： 第一：容易产生过拟合现象。其实是可以通过剪枝类缓解此类现象，即把相对流程复杂的树修剪成结构更简单的树，实质上简化模型的手段。另外可以通过集成学习的方法也可以减弱过拟合现象。 （3）随机森林：多棵树的集合，综合多个弱分类器成为一个强分类器。 包括两个步骤： A.随机从集合中取一定数量的样本； B.从所有属性中取一定数量的属性。 其中随机森林是结合了多可决策树的决策结果，可以有效地抑制单棵树过拟合的现象，鲁棒性更强。 但是在噪声比较多的训练集上，随机森林也容易产生过拟合的现象。