由于每个算法都基于某些特定的假设，且均含有某些缺点，因此需要通过大量的实践为特定的问题选择合适的算法。再次借用一下“没有免费午餐”理论：没有任何一种分类器可以在所有可能的应用场景下都有良好的表现。实践证明，只有比较了多种学习算法的性能，才能为特定问题挑选出最合适的模型。这些模型针对不同数量的特征或者样本、数据集中噪声的数量，以及类别是否线性可分等问题时，表现各不相同。
总而言之，分类器的性能、计算能力和预测能力，在很大程度上都依赖于用于模型训练的相关数据。训练机器学习算法所涉及的五个主要步骤可以概述如下：
1.特征的选择
2.确定性能评价标准
3.选择分类器及其优化算法
4.对模型性能的评估
5.算法的调优
由于本书通过循序渐进的方式讲解机器学习的相关内容，因此本章将重点介绍不同分类算法的基本概念，并再次回顾特征选择、预处理及性能评价标准等内容，而关于超参调优等更详细的内容将在本书的后续章节讨论。