1、c4.5
c4.5算法是机器学习算法中的一种分类决策树算法，其核心是ID3算法，c4.5算法继承了ID3算法的优点，并在一下几个放米娜对ID3算法进行了改进：
1）用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足。
2）在树构造过程中进行剪枝。
3）能够完成对不连续属性的离散化处理。
4）能够对不完整数据进行处理。
c4.5算法有如下优点：产生的分类规则易于理解，准确率高。其缺点是：在构造树的过程中，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。
2、K-means算法
K-means算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k<n。它与处理混合正太分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。他假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差综合最小。
3、SVM
支持向量机，英文为SVM，简称SV机。他是一种监督式的学习方法，它广泛的应用于统计分类以及回归分析中。支持向量机将向量映射到一个更高维的空间里，在空间里建立一个最大间隔超平面。在分开数据的超平面的两边建有两个相互平行的超平面。分割超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的总误差越小。
4、Apriori
Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。
5、EM算法
在统计计算中，最大期望算法是在概率模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量。最大期望经常用在机器学习和计算机视觉的数据集领域
6、PageRank
PageRank根据网站的外部链接和内部链接的数量和质量平衡网站的价值，PageRank背后的概念是，每个页面的链接都是对该页面的一次投票，被链接的越多，就意味这被其他网站投票越多。这个就是所谓的“链接流行度”——衡量多少人愿意将他们的网站和你的网站挂钩。
7、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了器（强分类器）。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类正确率，，来确定每个样本的权值。将修改过的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结果融合起来，作为最后的决策分类器。
8、KNN
K最近邻分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该算法的思路是：如果一个样本在特征空间中k个最相似的（即最近邻）样本中，大多数属于某一个类别，则该样本也属于这个类别。
9、朴素贝叶斯
在众多的分类模型中，应用最为管饭的两种分类模型是决策树模型和朴素贝叶斯模型。朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时该模型所需要估计的参数很少，对缺失数据不太敏感。算法也比较简单。理论上，该模型与其他分类相比有最小的误差率。但是实际上并非如此，因为其假设特征条件相互独立，这个假设在实际中往往是不成立的。
10、CART：分类回归树
CART，在分类树下面的两个关键思想。第一个是关于递归的划分自变量空间的想法；第二个想法是用验证数据进行剪枝。