一、決策樹(shù)

C4.5：使用信息增益比來(lái)選擇特征，適用于具有多個(gè)屬性的分類(lèi)問(wèn)題。

CART：分類(lèi)與回歸樹(shù)，可以同時(shí)處理分類(lèi)和回歸問(wèn)題。

二、支持向量機(jī)（SVM）

線性SVM：用于解決線性可分的分類(lèi)問(wèn)題。

核SVM：通過(guò)核函數(shù)，可以解決非線性分類(lèi)問(wèn)題。

三、隨機(jī)森林

集成學(xué)習(xí)：結(jié)合多個(gè)決策樹(shù)的預(yù)測(cè)，以提高整體準(zhǔn)確性。

特征選擇：通過(guò)隨機(jī)選擇特征進(jìn)行訓(xùn)練，增加模型的泛化能力。

四、K-近鄰算法（K-NN）

基于距離：通過(guò)計(jì)算樣本間的距離，找到最近的K個(gè)鄰居進(jìn)行分類(lèi)。

無(wú)需訓(xùn)練：是一種惰性學(xué)習(xí)算法，無(wú)需訓(xùn)練過(guò)程。

五、神經(jīng)網(wǎng)絡(luò)

多層感知器（MLP）：適用于復(fù)雜的非線性分類(lèi)問(wèn)題。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）：在圖像分類(lèi)任務(wù)中具有出色的表現(xiàn)。

六、樸素貝葉斯

基于概率：利用貝葉斯定理和特征條件獨(dú)立假設(shè)進(jìn)行分類(lèi)。

七、邏輯回歸

概率模型：雖然名為回歸，但廣泛用于二分類(lèi)問(wèn)題。

常見(jiàn)問(wèn)答：

Q1: 隨機(jī)森林與單一決策樹(shù)有何不同？

答: 隨機(jī)森林是多個(gè)決策樹(shù)的集成，能夠減少過(guò)擬合，提高準(zhǔn)確性。

Q2: K-近鄰算法的K值如何選擇？

答: K值的選擇通常通過(guò)交叉驗(yàn)證來(lái)確定，以找到優(yōu)異的平衡點(diǎn)。

Q3: 邏輯回歸如何用于多分類(lèi)問(wèn)題？

答: 邏輯回歸可以通過(guò)“一對(duì)多”或“一對(duì)一”策略擴(kuò)展到多分類(lèi)問(wèn)題。