一、C4.5

C4。5，是機器學習演算法中的一個分類決策樹演算法，它是決策樹（決策樹也就是做決策的節點間的組織方式像一棵樹，其實是一個倒樹）核心演算法ID3的改進演算法，所以基本上了解了一半決策樹構造方法就能構造它。決策樹構造方法其實就是每次選擇一個好的特徵以及分裂點作為當前節點的分類條件。

二、The k-means algorithm 即K-Means演算法

k-means algorithm演算法是一個聚類演算法，把n的物件根據他們的屬性分為k個分割（k

三、 Support vector machines

支援向量機，英文為Support Vector Machine，簡稱SV機。它是一種監督式學習的方法，它廣泛的應用於統計分類以及迴歸分析中。支援向量機將向量對映到一個更高維的空間裡，在這個空間裡建立有一個最大間隔超平面。在分開資料的超平面的兩邊建有兩個互相平行的超平面，分隔超平面使兩個平行超平面的距離最大化。

四、The Apriori algorithm

Apriori演算法是一種最有影響的挖掘布林關聯規則頻繁項集的演算法。

其核心是基於兩階段頻集思想的遞推演算法。該關聯規則在分類上屬於單維、單層、布林關聯規則。在這裡，所有支援度大於最小支援度的項集稱為頻繁項集，簡稱頻集。

五、最大期望(EM)演算法

在統計計算中，最大期望 （EM，Expectation–Maximization）演算法是在機率（probabilistic）模型中尋找引數最大似然估計的演算法，其中機率模型依賴於無法觀測的隱藏變數（Latent Variabl）。最大期望經常用在機器學習和計算機視覺的資料集聚（Data Clustering）領域。

六、 PageRank

PageRank是Google演算法的重要內容。2001年9月被授予美國專利，專利人是Google創始人之一拉里 佩奇（Larry Page）。因此，PageRank裡的page不是指網頁，而是指佩奇，即這個等級方法是以佩奇來命名的。PageRank根據網站的外部連結和內部連結的數量和質量，衡量網站的價值。PageRank背後的概念是，每個到頁面的連結都是對該頁面的一次投票， 被連結的越多，就意味著被其他網站投票越多。

七、AdaBoost

Adaboost是一種迭代演算法，其核心思想是針對同一個訓練集訓練不同的分類器（弱分類器），然後把這些弱分類器集合起來，構成一個更強的最終分類器 （強分類器）。其演算法本身是透過改變資料分佈來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權值。將修改過權值的新資料集送給下層分類器進行訓練，最後將每次訓練得到的分類器融合起來，作為最後的決策分類器。

八、 kNN: k-nearest neighbor classification

K最近鄰（k-Nearest Neighbor，KNN）分類演算法，是一個理論上比較成熟的方法，也是最簡單的機器學習演算法之一。該方法的思路是：如果一個樣本在特徵空間中的k個最相似（即特徵空間中最鄰近）的樣本中的大多數屬於某一個類別，則該樣本也屬於這個類別。

九、 Naive Bayes

在眾多的分類模型中，應用最為廣泛的兩種分類模型是決策樹模型（Decision Tree Model）和樸素貝葉斯模型（Naive Bayesian Model，NBC）。

樸素貝葉斯模型發源於古典數學理論，有著堅實的數學基礎，以及穩定的分類效率。同時，NBC模型所需估計的引數很少，對缺失資料不太敏感，演算法也比較簡單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。

但是實際上並非總是如此，這是因為NBC模型假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的，這給NBC模型的正確分類帶來了一定影響。在屬性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型。而在屬性相關性較小時，NBC模型的效能最為良好。

十、 CART: 分類與迴歸樹

CART， Classification and Regression Trees。 在分類樹下面有兩個關鍵的思想：第一個是關於遞迴地劃分自變數空間的想法；第二個想法是用驗證資料進行剪枝。

Smartbi Mining資料探勘平臺

Smartbi資料探勘平臺（Smartbi Mining）是用於預測性分析的獨立產品，旨在為企業所做的決策提供預測性智慧。該平臺不僅可為使用者提供直觀的流式建模、拖拽式操作和流程化、視覺化的建模介面，還提供了大量的資料預處理操作。此外，它內建了多種實用的、經典的機器學習演算法，這些演算法配置簡單降低了機器學習的使用門檻，大大節省了企業成本，並支援標準的PMML模型輸出，可以將模型傳送到Smartbi統一平臺，與商業智慧平臺實現了完美整合。

Smartbi Mining資料探勘平臺支援多種高效實用的機器學習演算法，包含了分類、迴歸、聚類、預測、關聯，5大類機器學習的成熟演算法。其中包含了多種可訓練的模型：邏輯迴歸、決策樹、隨機森林、樸素貝葉斯、支援向量機、線性迴歸、K均值、DBSCAN、高斯混合模型。除提供主要演算法和建模功能外，Smartbi Mining資料探勘平臺還提供了必不可少的資料預處理功能，包括欄位拆分、行過濾與對映、列選擇、隨機取樣、過濾空值、合併列、合併行、JOIN、行選擇、去除重複值、排序、增加序列號、增加計算欄位等。