tangboyun 会的，不过我觉得这问题本身没意义。一个更好的问题应该是如何减少或者防止过拟合。 因为如果训练数据和总体有较大偏差的话，无论分类器如何优秀，都会导致过拟合现象。 这个时候可以考虑 1、降维，主要是特征选择。 2、使用bootstrap之类的ensemble方法。
nan.xiao 回复 第5楼 的 oldbeggar： 赞同，看数据。某些数据用树好些，某些用核好些，也看使用者喜欢哪个，用得好，终归不会差太多。 至于 M 级的变量（很多都是生物数据吧）又比较稀疏，可以做个 feature hashing 看看。 对 feature 做预处理对后期精度的提高和避免过拟合是特别重要的，这个阶段可以大大发挥想象力，非常灵活。以至于后期的代入分类器调参阶段显得有些无足轻重了。
