sklearn官网给出了算法选择的依据，可以根据以下图片结合自己的实际情况选择合适的算法
总结：如果需要<降低维度>，则使用<主成分分析>。
如果需要<快速的数字预测>，则使用<决策树>或<逻辑回归>。
如果需要<分层结果>，则使用<层次聚类>
算法选择：
1. 首当其冲应该选择的就是逻辑回归，如果它的效果不怎么样，那么可以将它的结果作为基准来参考，在基础上与其他算法进行比较；
2. 然后试试决策树（随机森林）看看是否可以大幅度提升你的模型性能。即便最后你并没有把它当做为最终模型，你也可以使用随机森林来移除噪声变量，做特征选择；
3. 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（这个前提很重要），使用SVM不失为一种选择。
通常情况下：【GBDT>=SVM>=RF>=Adaboost>=Other…】