5.支持向量机（SVM）
SVM 找到一个能够最好地将数据点划分为不同类别的超平面。通过使用核函数，它可以很好地解决线性和非线性分类问题。
应用：图像分类、文本分类和生物信息学。
优点：在高维空间中有效；对于非线性边界效果很好。
局限性：对参数选择敏感且计算成本高昂。
通过找到类别之间的最佳边界，SVM 最大化了边距，确保数据点的最佳分离。
6. K最近邻（KNN）
KNN 是一种简单的算法，它存储所有可用案例，并根据相似性（距离函数）对新案例进行分类。它通常被称为“懒惰学习者”，因为它只在查询时进行计算。
应用：推荐系统、模式识别和异常检测。
优点：实施简单；无需训练阶段。
局限性：对噪声和不相关特征敏感；对于大型数据集来说速度很慢。
该算法根据数据点的最近邻居的多数类为数据点分配标签。
7.朴素贝叶斯
朴素贝叶斯是一种基于贝叶斯定理的概率分类器，假设所有特 海外亚洲数据 征都是独立的。虽然独立性假设通常不切实际，但该模型在许多应用中表现得出奇的好。
应用：文本分类、情感分析和垃圾邮件检测。
优点：速度快；适用于高维数据。
局限性：假设特征独立；对于高度相关的数据，准确性可能较低。
该模型通过能性最高的类别来工作。
8. K均值聚类
K 均值聚类通过最小化每组内的方差将数据划分为“k”组。这是一种用于分割任务的流行无监督学习算法。
应用：客户细分、图像压缩和市场细分。
优点：简单、高效；适用于不同的集群。
局限性：对初始质心和异常值敏感；假设球形簇。
该算法迭代地根据相似性将数据点分配给“k”个簇之一。