分类就是根据训练数据集和标记的数据属性，构建模型，来分类新的数据。这种模型就叫分类器。
预测就是建立连续的函数模型，预测接下来的连续值。同样的模型就叫预测器。
（说到底就是给一堆数据，然后按不同方法分类，看看效果好不好...）
主要的分类方法有决策树、贝叶斯，人工神经网络、支持向量机、K最近邻方法，基于规则的分类和组合分类等方法。
（这一张好多东西都是知道但不了解的，就介绍的粗略些，以后这些东西随着慢慢学再慢慢写，而且每种方法都巨多内容，都能单开一篇推送...）
决策树分类
决策树分类就是条件判断进行分类，通过给不同的条件，加上各种嵌套，对数据进行分类。此外，还可以通过剪枝的思想对杂类统一处理，降低复杂度。
贝叶斯分类
基于贝叶斯定理的分类方法。（简简单单统计学）
人工神经网络
利用人工神经网络模型，模拟生物神经网络系统，用于分类和预测。
神经网络包括多个神经元和连接，这些神经元和连接构成多层结构，包括一个输入层，多个隐藏层（通常为一层）和一个输出层。
整体过程大概是所有的数据都是输入层的一个神经节点，然后通过各种函数投影到隐藏层的节点，进行分析判断，输出到输出层，给数据打标签分类。
之后具体的前向传播和后向传播等以后学了再写...
更进一步是深度学习，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
（就是多层网络，通过多个简单的隐藏层寻找多个特征，多个简单特征组合成复杂特征，进行分类。缺点是太耗费算力，算的真的慢啊，哭了）
支持向量机分类
支持向量机分类（SVM）主要用于二项分类。
本质上就是用各种非线性映射，将原来的数据在别的维度中展示。典型的就是极坐标系与笛卡尔坐标系。
K最邻近分类
组合分类
多个分类方法堆到一起，起到一个综合的作用，产生更好的效果~
空间分类
常用线性回归、地理加权回归（加个空间关系矩阵）、趋势面拟合，克里金等。
关注我就是我最尊贵的朋友
