1、C4.5

　　C4.5算法是機(jī)器學(xué)習(xí)算法中的一種分類(lèi)決策樹(shù)算法，其核心算法是ID3算法.C4.5算法繼承了ID3算法的優(yōu)點(diǎn)，并在以下幾方面對(duì)ID3算法進(jìn)行了改進(jìn)：

　　1）用信息增益率來(lái)選擇屬性，克服了用信息增益選擇屬性時(shí)偏向選擇取值多的屬性的不足；

　　2）在樹(shù)構(gòu)造過(guò)程中進(jìn)行剪枝；

　　3）能夠完成對(duì)連續(xù)屬性的離散化處理；

　　4）能夠?qū)Σ煌暾麛?shù)據(jù)進(jìn)行處理。

　　C4.5算法有如下優(yōu)點(diǎn)：產(chǎn)生的分類(lèi)規(guī)則易于理解，準(zhǔn)確率較高。其缺點(diǎn)是：在構(gòu)造樹(shù)的過(guò)程中，需要對(duì)數(shù)據(jù)集進(jìn)行多次的順序掃描和排序，因而導(dǎo)致算法的低效。

　　2、Thek-meansalgorithm即K-Means算法

　　k-meansalgorithm算法是一個(gè)聚類(lèi)算法，把n的對(duì)象根據(jù)他們的屬性分為k個(gè)分割，k《n。它與處理混合正態(tài)分布的最大期望算法很相似，因?yàn)樗麄兌荚噲D找到數(shù)據(jù)中自然聚類(lèi)的中心。它假設(shè)對(duì)象屬性來(lái)自于空間向量，并且目標(biāo)是使各個(gè)群組內(nèi)部的均方誤差總和最小。

　　3、Supportvectormachines支持向量機(jī)

　　支持向量機(jī)（SupportVectorMachine），簡(jiǎn)稱(chēng)SV機(jī)（論文中一般簡(jiǎn)稱(chēng)SVM）。它是一種監(jiān)督式學(xué)習(xí)的方法，它廣泛的應(yīng)用于統(tǒng)計(jì)分類(lèi)以及回歸分析中。支持向量機(jī)將向量映射到一個(gè)更高維的空間里，在這個(gè)空間里建立有一個(gè)最大間隔超平面。在分開(kāi)數(shù)據(jù)的超平面的兩邊建有兩個(gè)互相平行的超平面。分隔超平面使兩個(gè)平行超平面的距離最大化。假定平行超平面間的距離或差距越大，分類(lèi)器的總誤差越小。一個(gè)極好的指南是C.J.CBurges的《模式識(shí)別支持向量機(jī)指南》。vanderWalt和Barnard將支持向量機(jī)和其他分類(lèi)器進(jìn)行了比較。

　　4、TheApriorialgorithm

　　Apriori算法是一種最有影響的挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法。其核心是基于兩階段頻集思想的遞推算法。該關(guān)聯(lián)規(guī)則在分類(lèi)上屬于單維、單層、布爾關(guān)聯(lián)規(guī)則。在這里，所有支持度大于最小支持度的項(xiàng)集稱(chēng)為頻繁項(xiàng)集，簡(jiǎn)稱(chēng)頻集。

　　5、最大期望（EM）算法

　　在統(tǒng)計(jì)計(jì)算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中尋找參數(shù)最大似然估計(jì)的算法，其中概率模型依賴(lài)于無(wú)法觀測(cè)的隱藏變量（LatentVariabl）。最大期望經(jīng)常用在機(jī)器學(xué)習(xí)ai服務(wù)器和計(jì)算機(jī)視覺(jué)的數(shù)據(jù)集聚（DataClustering）領(lǐng)域。