K近鄰：演算法採用測量不同特徵值之間的距離的方法進行分類。
優點：
1.簡單好用，容易理解，精度高，理論成熟，既可以用來做分類也可以用來做迴歸；
2.可用於數值型資料和離散型資料；
3.訓練時間複雜度為O(n)；無資料輸入假定；
4.對異常值不敏感
缺點：
1.計算複雜性高；空間複雜性高；
2.樣本不平衡問題（即有些類別的樣本數量很多，而其它樣本的數量很少）；
3.一般數值很大的時候不用這個，計算量太大。但是單個樣本又不能太少 否則容易發生誤分。
4.最大的缺點是無法給出資料的內在含義。

樸素貝葉斯
優點：
1.生成式模型，通過計算概率來進行分類，可以用來處理多分類問題，
2.對小規模的資料表現很好，適合多分類任務，適合增量式訓練，演算法也比較簡單。
缺點：

決策樹
優點：
1.概念簡單，計算複雜度不高，可解釋性強，輸出結果易於理解；
2.資料的準備工作簡單， 能夠同時處理資料型和常規型屬性，其他的技術往往要求資料屬性的單一。
3.對中間值得確實不敏感，比較適合處理有缺失屬性值的樣本，能夠處理不相關的特徵；
4.應用範圍廣，可以對很多屬性的資料集構造決策樹，可擴充套件性強。決策樹可以用於不熟悉的資料集合，並從中提取出一些列規則 這一點強於KNN。
缺點：
1.容易出現過擬合；
2.對於那些各類別樣本數量不一致的資料，在決策樹當中,資訊增益的結果偏向於那些具有更多數值的特徵。
3. 資訊缺失時處理起來比較困難。 忽略資料集中屬性之間的相關性。

Svm
優點：
1.可用於線性/非線性分類，也可以用於迴歸，泛化錯誤率低，計算開銷不大，結果容易解釋；
2.可以解決小樣本情況下的機器學習問題，可以解決高維問題 可以避免神經網路結構選擇和區域性極小點問題。
3.SVM是最好的現成的分類器，現成是指不加修改可直接使用。並且能夠得到較低的錯誤率，SVM可以對訓練集之外的資料點做很好的分類決策。
缺點：對引數調節和和函式的選擇敏感，原始分類器不加修改僅適用於處理二分類問題。

Logistic迴歸：根據現有資料對分類邊界線建立迴歸公式，依次進行分類。
優點：實現簡單，易於理解和實現；計算代價不高，速度很快，儲存資源低；
缺點：容易欠擬合，分類精度可能不高

EM 期望最大化演算法-上帝演算法
只要有一些訓練資料，再定義一個最大化函式，採用EM演算法，利用計算機經過若干次迭代，就可以得到所需的模型。EM演算法是自收斂的分類演算法，既不需要事先設定類別也不需要資料見的兩兩比較合併等操作。缺點是當所要優化的函式不是凸函式時，EM演算法容易給出區域性最佳解，而不是最優解。