一、决策树

C4.5：使用信息增益比来选择特征，适用于具有多个属性的分类问题。

CART：分类与回归树，可以同时处理分类和回归问题。

二、支持向量机（SVM）

线性SVM：用于解决线性可分的分类问题。

核SVM：通过核函数，可以解决非线性分类问题。

三、随机森林

集成学习：结合多个决策树的预测，以提高整体准确性。

特征选择：通过随机选择特征进行训练，增加模型的泛化能力。

四、K-近邻算法（K-NN）

基于距离：通过计算样本间的距离，找到最近的K个邻居进行分类。

无需训练：是一种惰性学习算法，无需训练过程。

五、神经网络

多层感知器（MLP）：适用于复杂的非线性分类问题。

卷积神经网络（CNN）：在图像分类任务中具有出色的表现。

六、朴素贝叶斯

基于概率：利用贝叶斯定理和特征条件独立假设进行分类。

七、逻辑回归

概率模型：虽然名为回归，但广泛用于二分类问题。

常见问答：

Q1: 随机森林与单一决策树有何不同？

答: 随机森林是多个决策树的集成，能够减少过拟合，提高准确性。

Q2: K-近邻算法的K值如何选择？

答: K值的选择通常通过交叉验证来确定，以找到优异的平衡点。

Q3: 逻辑回归如何用于多分类问题？

答: 逻辑回归可以通过“一对多”或“一对一”策略扩展到多分类问题。