1、KNN
原理：k 近邻算法的输入为实例的特征向量，对应于特征空间的点；输出为实例的类别，可以取多类。k 近邻算法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其 k 个最近邻的训练实例的类别，通过多数表决等方式进行预测。总之，一句话概括，近朱者赤近墨者黑。
案例：使用KNN算法改进约会网站的配对效果

2、Naive Bayes
原理：朴素贝叶斯分类是一种十分简单的分类算法，朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。
案例:使用朴素贝叶斯算法过滤垃圾邮件

3、Logistic Regression
原理：逻辑回归是机器学习中一个非常常见的模型，在实际生产环境中也常常被使用，是一种经典的分类模型。其思想是当面对一个回归或者分类问题，建立代价函数，然后通过优化方法迭代求解出最优的模型参数，然后测试验证我们这个求解的模型的好坏。
案例：从病症预测病马的死亡率

4、Linear Regression
原理：线性回归是对连续型的数据做出处理，回归的目的是预测数值型数据的目标值。
案例：预测玩具售价