对于给定的数据集，哪种分类方法是最佳分类方法并没有统一的答案。对于给定数据集的比较研究，应始终考虑不同类型的分类器。鉴于数据集的属性，您可能有一些线索可能会优先考虑某些方法。但是，如果可能的话，仍然建议对所有人进行试验。

朴素贝叶斯分类器 (NBC) 和支持向量机 (SVM) 具有不同的选项，包括为每个选项选择核函数。它们都对参数优化很敏感（即不同的参数选择可以显着改变它们的输出）。因此，如果您的结果显示 NBC 的性能优于 SVM。这仅适用于所选参数。但是，对于另一个参数选择，您可能会发现 SVM 的性能更好。

一般来说，如果您的数据集的变量满足 NBC 中的独立性假设并且类重叠的程度很小（即潜在的线性决策边界），则预计 NBC 会取得良好的效果。例如，对于某些数据集，通过使用包装器特征选择进行优化，NBC 可能会击败其他分类器。即使它达到了可比的性能，NBC 也会因为它的高速度而更受欢迎。

总之，如果任何分类方法在一种情况下优于其他分类方法，我们不应该更喜欢它，因为它可能在另一种情况下严重失败。（这在数据挖掘问题中很正常）。