❶ 可用於分類的演算法有哪些
太多了,
最不實用但是分類錯誤率最低的：貝葉斯方法.
最簡單的是最近鄰方法,從最近鄰方法又引申出現在極為流行的基於實例（或基於記憶）的方法（Memory Based）.
經典的：隱馬爾可夫模型（HMM）,最大熵,條件隨機場（CRF,這個比較新）
最流行的：winnow,bagging,ada boost等等
❷ 演算法有哪些分類
演算法分類編輯演算法可大致分為：
基本演算法、數據結構的演算法、數論與代數演算法、計算幾何的演算法、圖論的演算法、動態規劃以及數值分析、加密演算法、排序演算法、檢索演算法、隨機化演算法、並行演算法，厄米變形模型，隨機森林演算法。
❸ 常見的分類演算法有哪些
決策樹 貝葉斯 人工神經網路 k-近鄰 支持向量機 基於關聯規則的分類 集成學習
❹ 什麼是分類演算法
分類(Categorization or Classification)就是按照某種標准給對象貼標簽(label)，再根據標簽來區分歸類。
分類是事先定義好類別 ，類別數不變 。分類器需要由人工標注的分類訓練語料訓練得到，屬於有指導學習范疇。
最常用的分類演算法就是貝葉斯分類演算法，（貝葉斯分類器）
用到的知識就是概率的東西
謝謝採納
❺ 演算法有哪些分類
演算法分類編輯演算法可大致分為：
基本演算法、數據結構的演算法、數論與代數演算法、計算幾何的演算法、圖論的演算法、動態規劃以及數值分析、加密演算法、排序演算法、檢索演算法、隨機化演算法、並行演算法，厄米變形模型，隨機森林演算法。
❻ python分類演算法有哪些
常見的分類演算法有：
K近鄰演算法
決策樹
樸素貝葉斯
SVM
Logistic Regression
❼ 分類演算法怎樣分為 線性分類 和非線性分類
線性演算法
線性演算法的定義：在計算復雜性理論，一個被稱為線性時間或 Ο(n)時間的演算法，表示演算法解題所需時間正比於輸入資料的大小，通常以n表示。
這可以理解為，如果所需時間正比於輸入資料的大小，那就是一個線性演算法，類似於中學時學過的一次函數的函數圖象
非線性演算法
非線性演算法一般有O(NlogN),O(N^2)等等。這些非線性演算法所需的時間和輸入資料大小不成正比，故函數圖象應不會是一條直線，所以這些演算法不是線性分類，即非線性分類。
❽ 分類和聚類的區別及各自的常見演算法
1、分類和聚類的區別：
Classification (分類)，對於一個classifier，通常需要你告訴它「這個東西被分為某某類」這樣一些例子，理想情況下，一個 classifier 會從它得到的訓練集中進行「學習」，從而具備對未知數據進行分類的能力，這種提供訓練數據的過程通常叫做supervised learning (監督學習)，
Clustering (聚類)，簡單地說就是把相似的東西分到一組，聚類的時候，我們並不關心某一類是什麼，我們需要實現的目標只是把相似的東西聚到一起。因此，一個聚類演算法通常只需要知道如何計算相似度就可以開始工作了，因此 clustering 通常並不需要使用訓練數據進行學習，這在Machine Learning中被稱作unsupervised learning (無監督學習).
2、常見的分類與聚類演算法
所謂分類，簡單來說，就是根據文本的特徵或屬性，劃分到已有的類別中。如在自然語言處理NLP中，我們經常提到的文本分類便就是一個分類問題，一般的模式分類方法都可用於文本分類研究。常用的分類演算法包括：決策樹分類法，樸素貝葉斯分類演算法(native Bayesian classifier)、基於支持向量機(SVM)的分類器，神經網路法，k-最近鄰法(k-nearestneighbor，kNN)，模糊分類法等等。
分類作為一種監督學習方法，要求必須事先明確知道各個類別的信息，並且斷言所有待分類項都有一個類別與之對應。但是很多時候上述條件得不到滿足，尤其是在處理海量數據的時候，如果通過預處理使得數據滿足分類演算法的要求，則代價非常大，這時候可以考慮使用聚類演算法。
而K均值(K-mensclustering)聚類則是最典型的聚類演算法(當然，除此之外，還有很多諸如屬於劃分法K中心點（K-MEDOIDS）演算法、CLARANS演算法；屬於層次法的BIRCH演算法、CURE演算法、CHAMELEON演算法等；基於密度的方法：DBSCAN演算法、OPTICS演算法、DENCLUE演算法等；基於網格的方法：STING演算法、CLIQUE演算法、WAVE-CLUSTER演算法；基於模型的方法)。
❾ 常見的分類演算法有哪些
問題應該描述仔細些，呵呵，這樣就能幫你回答得更適當了
❿ 目前主流的分類演算法有哪些
當然是RSA。橢圓曲線是比較安全，但是計算量也要大一些。而且，金融是一個比較保守的行業。很可能覺得橢圓曲線還是太「新」了，其安全性需要時間來證明。