1.樸素貝葉斯分類（Naive Bayes）
樸素貝葉斯分類實際上是計算在B發生的前提下，A發生的機率P(A|B），即計算條件機率。該演算法的優點是對缺失資料並不敏感，但缺點是其前提假設不同屬性之間相互獨立，但這一點很難滿足。它常常被用在垃圾郵件分類過濾中。
其正式定義為：
支援向量機是監督學習的一種，它將向量對映到更高維的空間中，在其中建立有最大間隔的超平面以分開資料，並在其兩側建立兩個相互平行的超平面，並以使這兩個平面距離最大化為目標（即距離越大，模型總誤差越小）。其求解實際上是先匯出0.5*||w||^2，然後使用拉格朗日函式，最終將求f(x)=wx+b的最最佳化轉為w,b兩者的最最佳化。該演算法在非線性問題上往往表現優秀。
KNN演算法的思路是，在特徵空間中，如果一個樣本k個最鄰近（即最相似）的樣本大部分屬於某一類，那麼該樣本也屬於此類。該演算法一般被應用於分類稀有事件，並且在多分類問題上比SVM表現更好。
邏輯斯諦迴歸應用於二項分佈問題，其優點是速度快，並且可以看到各個特徵的權重。
其h函式為：
其損失函式為：
神經網路中現在最常用的是BP(Back Propagation)演算法，其組成包裹輸入層，隱藏層和輸出層。該模型利用反向傳播不斷最佳化模型的權值和閾值。
1.樸素貝葉斯分類（Naive Bayes）
樸素貝葉斯分類實際上是計算在B發生的前提下，A發生的機率P(A|B），即計算條件機率。該演算法的優點是對缺失資料並不敏感，但缺點是其前提假設不同屬性之間相互獨立，但這一點很難滿足。它常常被用在垃圾郵件分類過濾中。
其正式定義為：
2.支援向量機(Support Vector Machine, SVM)支援向量機是監督學習的一種，它將向量對映到更高維的空間中，在其中建立有最大間隔的超平面以分開資料，並在其兩側建立兩個相互平行的超平面，並以使這兩個平面距離最大化為目標（即距離越大，模型總誤差越小）。其求解實際上是先匯出0.5*||w||^2，然後使用拉格朗日函式，最終將求f(x)=wx+b的最最佳化轉為w,b兩者的最最佳化。該演算法在非線性問題上往往表現優秀。
3.K鄰近（K-Nearest Neighbor）。KNN演算法的思路是，在特徵空間中，如果一個樣本k個最鄰近（即最相似）的樣本大部分屬於某一類，那麼該樣本也屬於此類。該演算法一般被應用於分類稀有事件，並且在多分類問題上比SVM表現更好。
4.邏輯斯諦迴歸（Logistic regression）邏輯斯諦迴歸應用於二項分佈問題，其優點是速度快，並且可以看到各個特徵的權重。
其h函式為：
其損失函式為：
5.神經網路（Neural networks）神經網路中現在最常用的是BP(Back Propagation)演算法，其組成包裹輸入層，隱藏層和輸出層。該模型利用反向傳播不斷最佳化模型的權值和閾值。