模式分类是通过构造一个分类函数或者分类模型将数据集映射到某一个给定的类别中，它是模式识别的核心研究内容，关系到其识别的整体效率，广泛应用于各个研究领域。
概念：
模式分类是通过构造一个分类函数或者分类模型将数据集映射到某一个给定的类别中，它是模式识别的核心研究内容，关系到其识别的整体效率，广泛应用于各个研究领域。
模式分类方法主要包括支持向量机( SVM) 、BP 神经网络、K 近邻( KNN) 、朴素贝叶斯( Naive Bayes) 、线性判别分析( LDA) 和二次判别分析( QDA) 共六种模式分类方法。支持向量机的高效性和BP 神经网络适合处理复杂性问题的特性，使这两种方法是当前应用最广泛的分类方法。K 近邻方法是一种基于权值的聚类方法，在分类中能得到较好的分类效果。朴素贝叶斯是基于概率的分类方法，易于理解且容易实现。线性判别分析、二次判别分析是采用不同判别函数的判别分析方法，是最常采用的分类方法。
主要方法：
用于模式分类的方法很多，主要基于统计分析理论，如Bayesian 方法、Fisher 判别、K-近邻分类等。
模式识别和分类的区别：
模式识别主要是对已知数据样本的特征发现和提取，比如人脸识别、雷达信号识别等，强调从原始信息中提取有价值的特征，在机器学习里面，好的特征所带来的贡献有时候远远大于算法本身的贡献；模式分类可以理解为对具有了给定特征的样本通过分类器来进行分类，典型的模式分类方法有线性分类器（感知器，Fisher判别）、非线性分类器（BP神经网络、RBF、SVM），现实场景中主要是非线性啦，还有贝叶斯判决、C4.5、随机森林等。
这两者还会有个区别，目前模式识别主要是无监督学习，人为构造算法的成分比较大（比如，人脸里面，工程师会事先告诉算法某些地方的特征），而在模式分类上，机器学习可以发挥的空间就比较大，只要有了训练样本，适当降维和清洗数据，分类器是可以自动发现样本中的特征的，此所谓有监督机器学习。