C4.5算法
C4.5算法的核心思想是ID3算法，是ID3算法的改进：
- 用信息增益率来选择属性，克服了用信息增益来选择属性时变相选择取值多的属性的不足；
- 在树的构造过程中进行剪枝；
- 能处理非离散化数据；
- 能处理不完整数据。
优点：
- 产生的分类规则易于理解，准确率高。
缺点：
- 在构造过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效；
- C4.5算法只适合于能够驻留内存的数据集，当训练集大得无法在内存容纳时，程序无法运行。
K-means算法
简单的聚类，吧n个对象根据他们的属性分为k个类，k<n。
算法的核心是要优化失真函数J，使其收敛到局部最小值而不是全局最小值：
[J=sum_{n=1}^{N} sum_{k=1}^{K} r_{nk} || x_n - u_k ||^2,
]
(r_{nk})表示n数据第k个类，(u_k)是第k个类中心值。
然后求出最优的(u_k)：
[u_k=frac{sum r_{nk} x_n}{sum_{n} r_{nk} }
]
优点：
- 算法速度快。
缺点：
- 分组的数目k是一个输入参数，不适合的k可能返回较差的结果。
朴素贝叶斯算法
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。
算法的基础是概率问题,分类原理是通过某对象的先验概率,利用贝叶斯公式计算出其后验概率,即该对象属于某一类的概率,选择具有最大后验概率的类作为该对象所属的类。
朴素贝叶斯假设是约束性很强的假设,假设特征条件独立,但朴素贝叶斯算法简单,快速, 具有较小的出错率。
在朴素贝叶斯的应用中,主要研究了电子邮件过滤以及文本分类研究。
K最近邻算法
缺点：
- K值需要预先设定，而不能自适应
- 当样本不平衡时，如一个类的样本容量很大，二其他类样本容量很小，有可能导致当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数。
该算法适用于对样本容量比较大的类域进行自动分类。
EM最大期望算法
EM算法是基于模型的聚类算法，是在概率模型中寻找参数最大思然估计的算法，其中概率模型依赖于无法观测的隐藏变量。
E步估计隐含变量，M步估计其他参数，交替将极值推向最大。
EM算法比K-means算法计算复杂，收敛较慢，不适合大规模数据集和高维数据，但比K-means算法计算结构稳定、准确。
EM算法经常用在机器学习和计算机视觉的数据集聚（data clustering）领域。
PageRank算法
Google的页面排序算法。
基于从许多优质的网页链接过来的 网页,必定还是优质网页的回归关系,来判定所有网页的重要性。
一个人有越多牛逼的朋友，他牛逼的概率就越大。
优点：
- 完全独立于查询，只依赖于网页链接结构，可以离线计算。
缺点：
- PageRank算法忽略了网页搜索的时效性；
- 旧网页排序很高，存在时间长，积累了大量的in-links，拥有最新资讯的网页排名却很低，因为它们几乎没有in-links。
AdaBoost
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器（弱分类器），然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。
算法本事该百诺数据分布来实现的，它根据每次训练集中每一个样本的分类是否正确，以及上一次的总体分类准确率，来确定没个样本的权值。
将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。
算法流程：
- 先通过对N个训练样本的学习得到第一个弱分类器；
- 将分错的样本和其他的新数据一起构成一个新的N个训练样本，通过学习得到第二个弱分类器；
- 讲前面都分错的样本加上新的样本构成另一个新的N个训练样本集，通过学习得到第三个弱分类器；
- 如此反复，最终得到经过提升的强分类器。
目前 AdaBoost 算法广泛的应用于人脸检测、目标识别等领域。
Apriori算法
Apriori算法是一种挖掘关联规则的算法，用于挖掘其内涵的、未知的却又实际存在的数据关系，其核心是基于两阶段频集思想的递推算法。
Apriori算法的两个阶段：
- 寻找频繁项集；
- 有频繁项集找关联规则。
算法缺点：
- 在每一步产生侯选项目集时循环产生的组合过多,没有排除 不应该参与组合的元素;
- 每次计算项集的支持度时,都对数据库中的全部记录进行了一遍扫描比较,需要很大的I/O 负载。
SVM支持向量机
支持向量机是一种基于分类边界的方法。
基本原理：
如果训练数据分布在二维平面上的点,它们按照其分类 聚集在不同的区域。
基于分类边界的分类算法的目标是，通过训练，找到这些分类之间的边界。
对于多维数据（N维），可以将他们视为N维空间中的点，而分类边界就是N维空间中的面，称为超面。
线性分类器使用超平面类型的边界，非线性分类器使用超曲面。
支持向量机的原理是将低维空间的点映射到高维空间,使它们成为线性可分,再使用线性划分的原理来判断分类边界。在高维空间中是一种线性划分,而在原有的数据空间中,是一种非线性划分。
CART树
决策树的分类方法，基于最小距离的基尼指数估计函数，用来决定由该子数据集生成的决策树的拓展形。
如果目标变量是标称的，称为分类树；如果目标变量是连续的，称为回归树。
优点：
- 非常灵活，可以允许有部分错分成本，还可指定先验概率分布，可使用自动的成本复杂性剪枝来得到归纳性更强的树。
- 面对存在缺失值、变量数多等问题时，CART数显得非常稳健。