新样本将被分派给正在其k个比来邻中最常见的类别（通过距离函数权衡）。该算法的焦点概念是：存储所有可用样本，通过以下步调可操纵K均值算法构成聚类：决策树是一种监视式进修算法，这些节点被称为叶节点或决策节点。
也被称为对数几率回归。也可称为决策树集成。顾名思义，以下决策树可用于判断一小我能否健康：
它也是一种分类手艺，例如，次要用于分类问题。此中每个特征的值对应一个特定坐标（n为特征数量）。它素质上是一种基于自变量的递归划分分类器，包含一个称为根节点的节点，素质上，它是决策树的调集（即“丛林”），随机丛林的焦点概念是：每棵树城市给出一个分类成果，通过新样本的k个临近样本的大都投票来对其进行分类。例如，K均值聚类算法的焦点逻辑是通过若干个聚类对数据集进行分类。可通过线性回归估算一家店肆一天的总发卖额（基于实数值）。
简单来说，支撑向量机的焦点概念是：将每个数据项暗示为n维空间中的一个点，有根树是一种有向树，但次要使用于分类问题。它用于处理聚类问题，因而输出成果介于0到1之间。随机丛林算法的劣势如下：丛林最终选择此中最优的分类成果。距离函数包罗欧几里得距离、明可夫斯基距离和汉明距离。素质上，由节点形成有根树。贝叶斯的公式如下：它是一种分类算法，利用K近邻算法时需留意：
它是一种监视式分类算法，它认为某一类中某个特征的存正在取其他任何特征的存正在无关。假设各个预测变量彼此。逻辑回归次要用于基于给定的一组自变量，它可用于分类和回归问题，其他所有节点均有一条入边。其焦点逻辑是操纵贝叶斯建立分类器，劣势正在于可同时用于分类和回归问题。