1、C4.5

　　C4.5算法是機器學習算法中的一種分類決策樹算法，其核心算法是ID3算法.C4.5算法繼承了ID3算法的優點，并在以下幾方面對ID3算法進行了改進：

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

　　2）在樹構造過程中進行剪枝；

　　3）能夠完成對連續屬性的離散化處理；

　　4）能夠對不完整數據進行處理。

　　C4.5算法有如下優點：產生的分類規則易于理解，準確率較高。其缺點是：在構造樹的過程中，需要對數據集進行多次的順序掃描和排序，因而導致算法的低效。

　　2、Thek-meansalgorithm即K-Means算法

　　k-meansalgorithm算法是一個聚類算法，把n的對象根據他們的屬性分為k個分割，k《n。它與處理混合正態分布的最大期望算法很相似，因為他們都試圖找到數據中自然聚類的中心。它假設對象屬性來自于空間向量，并且目標是使各個群組內部的均方誤差總和最小。

　　3、Supportvectormachines支持向量機

　　支持向量機（SupportVectorMachine），簡稱SV機（論文中一般簡稱SVM）。它是一種監督式學習的方法，它廣泛的應用于統計分類以及回歸分析中。支持向量機將向量映射到一個更高維的空間里，在這個空間里建立有一個最大間隔超平面。在分開數據的超平面的兩邊建有兩個互相平行的超平面。分隔超平面使兩個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，分類器的總誤差越小。一個極好的指南是C.J.CBurges的《模式識別支持向量機指南》。vanderWalt和Barnard將支持向量機和其他分類器進行了比較。

　　4、TheApriorialgorithm

　　Apriori算法是一種最有影響的挖掘布爾關聯規則頻繁項集的算法。其核心是基于兩階段頻集思想的遞推算法。該關聯規則在分類上屬于單維、單層、布爾關聯規則。在這里，所有支持度大于最小支持度的項集稱為頻繁項集，簡稱頻集。

　　5、最大期望（EM）算法

　　在統計計算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中尋找參數最大似然估計的算法，其中概率模型依賴于無法觀測的隱藏變量（LatentVariabl）。最大期望經常用在機器學習ai服務器和計算機視覺的數據集聚（DataClustering）領域。