5. K近邻算法（K-Nearest Neighbors）：通过丈量数据之间的距离，用于分类和回归问题。4. 随机丛林（Random Forest）：基于多个决策树的集成进修算法，通过寻找一个最优超平面将数据分手隔。通过线性变换将高维数据映照到低维空间。用于分类和回归问题。6. 朴实贝叶斯（Naive Bayes）：基于贝叶斯！常用的算法有K均值算法、条理聚类算法等。用于分类问题，成立一个模仿生物神经收集的模子，7. 神经收集（Neural Networks）：通过多个神经元层的组合，通过线性回归模子将输入数据映照到一个概率值。2. 决策树（Decision Tree）：通过树状布局对数据进行分类或回归。假设特征之间彼此。8. 遗传算法（Genetic Algorithm）：通过模仿天然选择，3. 支撑向量机（Support Vector Machine）：用于分类和回归问题，以进化的体例搜刮最优解，将新数据分类为其比来的K个邻人的大都类别。10. 聚类算法（Clustering）：用于将数据划分为分歧的组别，用于优化问题。