决策树_应用场景
回答：信用贷款审批；邮件分类
**这个模型的优势是什么？他什么情况下表现最好？**
回答：易于使用，容易理解，清晰的显示那些字段比较重要。对缺失值不敏感，可以处理不相关特征数据，运算速度比较快。 在特征比较少和特征关联性不强的表现最好。
**这个模型的缺点是什么？什么条件下它表现很差？**
回答：容易过拟合，尤其是在数据特征比较多的情况下。在分类的情况下，是根据一个字段进行分类。在特征比较多和特征关联性比较强的情况下它的表现能力很差。
支持向量机器
**这个模型的优势是什么？他什么情况下表现最好？**
回答：1.对于线性不可分的数据，通过核函数，映射到高维空间变成线性可分的。2.对于有明显分割边界的数据，支持向量机表现的很好。3.对于小规模数据效果很好。4.支持向量机，划分的分隔线取决于，支持向量的数目（离分隔线最近的数据），和维度（特征）的多少没有关系，所以不会有维度灾难（维度增加一个，数据需要指数级增加，才能保证模型准确度）。
在小样本，数据二分类 的情况下表现最好
**这个模型的缺点是什么？什么条件下它表现很差？**
回答：1.面对大的数据量运行速度会变的很慢，2.而且数据如果有很多噪点，会容易过拟合。2.支持向量机是一个二分类的分类器，如果需要多分类需要多个分类器组合。
在大样本，数据噪点比较多的情况下表现最差。