在模型选择方面，本身来说，个人觉得并没有一种很确定的指导方式，更多的是从你数据的应用角度去考虑问题，然后才是你对数据的理解。
应用角度的问题就是你对模型的要求，如果你的要求是模型尽量是可解释的，那么选择估计就只有决策树，逻辑回归等等这种简单的模型。
数据的角度：这个角度其实更多的是从获取某种先验知识或者基于某种假设等等，然后你去选择模型；
比如我有一个数据，我知道y-x>0则为1类，y-x<0则为0类别，这个是假设我知道的情况下，你会怎么取选择分类器呢，很明显，直接用线性回归就应该做的不错，或许和你之后的会有点小偏差，但是就是应该不错，那么此时你会发现SVM的线性核应该可以是可以的，你的思路就会发现，其实基本上所有的线性分类器在这样的数据集合上都应该不错的；
然而你考虑一下Decision Tree，你会发现他做的不是很好，但是最差最差也能够得到75%（假设我就分一次，x>0和x<0），这个时候你怎么评估这个问题的好与坏呢，如果是赌场，这个效果是很好了，但是如果是指纹的识别，这个就不好了；再深入的考虑下去，你可能会否定Decision Tree，但是，其实这个问题，如果是用 Random Forest去做，他又会做的很好，因为在不断的选取数据中，他会不断的得到新的划分点。
你也可以从wikipedia（Random forest）的介绍中感觉到，RF是可以做好的，因为他相当于是带权的KNN；
所以我觉得在实际应用中，从简单模型开始尝试，或许会有新的对数据的认识，从而使你得到一些没有的信息，如上述的问题中，你从linear regression就很容易发现这个效果，但是你如果一来就是NN或者SVM，或许你就发现不了这种关系了；
当然，如果你是为了快速的做出一个好的结果，那一来就尝试复杂模型总会是稍微好点的，理由也是很简单的，因为复杂模型的VC维比较高，当然就能解决更多的问题。
温馨提示：答案为网友推荐，仅供参考