線性分類器：模型是引數的線性函式，分類平面是（超）平面；
非線性分類器：模型分介面可以是曲面或者超平面的組合。
典型的線性分類器有感知機，lda，邏輯斯特回歸，svm（線性核）；
典型的非線性分類器有樸素貝葉斯（有文章說這個本質是線性的，決策樹，svm（非線性核）
線性分類器判別簡單、易實現、且需要的計算量和儲存量小。
如果訓練集很小，那麼高偏差/低方差分類器（如樸素貝葉斯分類器）要優於低偏差/高方差分類器（如k近鄰分類器），因為後者容易過擬合。然而，隨著訓練集的增大，低偏差/高方差分類器將開始勝出（它們具有較低的漸近誤差），因為高偏差分類器不足以提供準確的模型。你也可以認為這是生成模型與判別模型的區別。
選擇非線性分類器。
選擇線性分類器。
總結：
如果分類面是二維平面，就選擇線性分類器，如果是曲面，就選擇非線性分類器。
比較詳細的部落格可參見：
機器學習面試問題1
監督 輸入的資料有明確的標識，可建立模型做 多用於分類和回歸。非監督 資料並不被特別標識，需要建立模型得出資料的內在結構，多用於聚類。l1範數 l1 norm 是指向量中各個元素絕對值之和，也有個美稱叫 稀疏規則運算元 lasso regularization 比如 向量a 1，1，3 那麼a的l1...
機器學習面試問題2
logistic 邏輯回歸 是一種廣義線性回歸分析模型，是一種分類演算法。通過函式l將w x b對應乙個隱狀態p，p l w x b 然後根據p 與1 p的大小決定因變數的值。l是logistic函式.該模型是典型的數學模型，它服從邏輯斯蒂分布。二項邏輯斯蒂回歸模型是如下的條件概率分布 在這裡，x是...
機器學習面試問題 1
常用特徵歸一化 線性函式 xno rm x xmi nxma x xm inx frac x xnorm xma x x min x xm in 零均值歸一化 z x x z frac z x x 使用歸一化可以使得特徵變得更為一致，容易更快地通過梯度下降找到最優解。ps 決策樹不適用歸一化，因為以...