许多不同分类器的教程都基于数字识别，尤其是 MNIST 数据集。我认为这主要是因为这个数据集很容易获得、易于理解并且需要最少的预处理。它也是文献中常见的基准数据集。

我不知道任何特定分类器家族本质上最适合数字识别的论点。我认为这将是一个难以论证的论点，因为 1）数字的分布来自现实世界，我们没有对其进行全面的数学描述，以及 2）所有 SVM、所有神经网络等的集合。是无限的，我们只设法探索了一个很小的子集。也许最知名的神经网络比最知名的 SVM 更好，但一个新的核函数潜伏在那个巨大的、未被发现的空间中的某个地方，它将使 SVM 变得更好。也许还有另一种更好的神经网络架构。我想在某些情况下可以提出论据（例如，原始像素上的朴素贝叶斯可能是一个坏主意，因为它的假设被公然违反）。

在不同的情况下（例如训练/评估所需的时间/内存，获得体面的工作模型所需的调整/探索量等），有很多理由让每种类型的分类器优于其他分类器。这些原因并不特定于数字识别，所以我不会在这里讨论它们。

当然，有一些特定领域的技巧可以使分类器更适合数字识别。其中一些技巧通过增加人们期望在手写数字中的特定变换（例如平移、旋转、缩放、变形）的不变性而起作用。例如，数字“0”应该表示相同的意思，即使它向左移动并有点扭曲。一些技巧是特定于分类器家族的。例如，这种不变性可以使用某些 SVM 内核、神经网络中的空间变换层，或者可能是 K 个最近邻居的不变距离度量。许多分类器可以使用其他技巧。例如，数据集可以增加许多转换后的数字副本，这可以帮助分类器学习适当的不变性。

SVM、神经网络，甚至 kNN 在 MNIST 数据集上都取得了不错的表现。其他方法也有效。我个人听说过的最好的性能是神经网络。一些结果是在这里和这里的不同论文中积累的。