一、SVM
1、应用场景：
文本和图像分类。
2、优点：
分类效果好；有效处理高维空间的数据；无局部最小值问题；不易过拟合（模型中含有L2正则项）；
3、缺点：
样本数据量较大需要较长训练时间；噪声不能太多；对缺失数据敏感；
二、决策树
1、应用：
金融和电子商务
2、优点：
同时处理多种类型的数据；适合大量样本的数据；对部分数据缺失不敏感；
3、缺点：
容易过拟合；对属性具有强关联性时效果不好；
三、adaboost
1、应用：
特征选择；回归问题；
2、优点：
精度高；不易过拟合；
3、缺点：
对数据不均衡敏感；耗时；
四、对比：
1.SVM与LR：
相同：不用核的话都是线性分类器；都是监督学习；都是判别模型；
不同：样本点对模型的作用不同；损失函数不同；理论基础不同（SVM基于严格的数学推导，LR基于统计）；输出不同（LR可以给出概率）；可处理空间维度不同；防过拟合程度不同；抗噪能力不同（SVM更好）；svm需要先做归一化（距离度量）；SVM容易核化。
2.SVM与决策树：略
四、参考
1、https://blog.csdn.net/sinat_32547403/article/details/72911193