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。9. 从成分阐发（Principal Component Analysis）：用于数据降维，3. 支撑向量机（Support Vector Machine）：用于分类和回归问题，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，将新数据分类为其比来的K个邻人的大都类别。用于分类和回归问题。条理聚类算法等。5. K近邻算法（K-Nearest Neighbors）：通过丈量数据之间的距离，1. 逻辑回归（Logistic Regression）：用于二分类使命。通过线性回归模子将输入数据映照到一个概率值。通过线性变换将高维数据映照到低维空间。10. 聚类算法（Clustering）：用于将数据划分为分歧的组别，用于分类和回归问题。6. 朴实贝叶斯（Naive Bayes）：基于贝叶斯，假设特征之间彼此。2. 决策树（Decision Tree）：通过树状布局对数据进行分类或回归。用于优化问题。用于分类问题，以进化的体例搜刮最优解，