分類演算法是一種在專家指導下的，有監督的資料探勘方法，其種類很多，包括：
傳統方法：線性判別法、距離判別法、貝葉斯分類器；
現代方法：決策樹、神經網路ANN、支援向量機SVM；


1、決策樹
決策樹學習是以例項為基礎的歸納學習演算法，它著眼於從一組無次序、無規則的例項中，推理出以決策樹表示的分類規則。



2、貝葉斯
貝葉斯（Bayes）分類演算法是一類利用概率統計知識進行分類的演算法，如樸素貝葉斯（Naive Bayes）演算法


這些演算法主要利用Bayes定理，來預測一個未知類別的樣本屬於各個類別的可能性，選擇其中可能性最大的一個類別作為該樣本的最終類別。


由於貝葉斯定理的成立，本身需要一個很強的條件獨立性假設前提，而此假設在實際情況中，經常是不成立的，因而其分類準確性就會下降。


為此就出現了許多降低獨立性假設的貝葉斯分類演算法，如TAN（Tree Augmented Naive Bayes)演算法，它是在貝葉斯網路結構的基礎上，增加屬性對之間的關聯來實現的。


3、人工神經網路ANN
人工神經網路，是一種應用類似於大腦神經突觸聯接的結構，進行資訊處理的數學模型。


在這種模型中，大量的節點（或稱”神經元”，或”單元”）之間相互聯接構成網路，即”神經網路”，以達到處理資訊的目的。

神經網路通常需要進行訓練，訓練的過程就是網路進行學習的過程。
•訓練改變了網路節點的連線權的值使其具有分類的功能，經過訓練的網路就可用於物件的識別。
•神經網路已有上百種不同的模型，常見的有BP網路、徑向基RBF網路、Hopfield網路、隨機神經網路（Boltzmann機）、競爭神經網路（Hamming網路，自組織對映網路）等。


4、kNN(k-近鄰)


k-近鄰(kNN，k-Nearest Neighbors)演算法是一種基於例項的分類方法。


該方法就是找出與未知樣本x，距離最近的k個訓練樣本，看這k個樣本中多數屬於哪一類，就把x歸為哪一類。

k-近鄰方法是一種懶惰學習方法，它存放樣本，直到需要分類時才進行分類，如果樣本集比較複雜，可能會導致很大的計算開銷，因此無法應用到實時性很強的場合。


5、支援向量機SVM


支援向量機（SVM，Support Vector Machine）是Vapnik根據統計學習理論，提出的一種新的學習方法。

支援向量機（SVM，Support Vector Machine）的最大特點是：
•根據結構風險最小化準則，以最大化分類間隔，構造最優分類超平面，來提高學習機的泛化能力，較好地解決了非線性、高維數、區域性極小點等問題。
•對於分類問題，支援向量機演算法根據區域中的樣本，計算該區域的決策曲面，由此確定該區域中未知樣本的類別。


在沒有更多背景資訊給出時，如果追求預測的準確程度，一般用支援向量機（SVM），如果要求模型可以解釋，一般用決策樹。