1、决策树
2、随机森林
判别模型
3、KMeans
聚类，并不一定能得到全局最优解，依赖于初始点选取。多次运行取最优。
4、KNN
判别模型多分类与回归
三要素：K的取值，距离度量，分类决策规则
优点：非线性分类O（n）
缺点：K需要预先设定，不平衡数据易偏向大容量数据；噪声大时易过拟合。
5、EM
定义：含隐藏变量的概率模型，使用概率模型参数估计。E：对未观测数据的条件概率分布的期望；M：期望最大下的参数值；
优点：比Kmeans稳定，准确；
缺点：计算复杂，收敛慢，依赖于初始参数假设。
6、朴素贝叶斯
特点：使用先验知识得到后验概率，由期望风险最小化得到后验概率最大化，假设条件独立，不独立时则为贝叶斯网络；
优点：小规模数据集表现好，适合多分类；
缺点：需条件独立假设，牺牲一定的准确率。
7、LogReg
对数线性模型
特点：源自于Logistic，优化算法；有改进的：迭代法；梯度下降法；拟牛顿法；
优点：简单，计算量小，存储资源低；
缺点：欠拟合。
8、线性回归
解析解
优点：简单
缺点：欠拟合（复杂数据）