❶ 可用于分类的算法有哪些
太多了,
最不实用但是分类错误率最低的：贝叶斯方法.
最简单的是最近邻方法,从最近邻方法又引申出现在极为流行的基于实例（或基于记忆）的方法（Memory Based）.
经典的：隐马尔可夫模型（HMM）,最大熵,条件随机场（CRF,这个比较新）
最流行的：winnow,bagging,ada boost等等
❷ 算法有哪些分类
算法分类编辑算法可大致分为：
基本算法、数据结构的算法、数论与代数算法、计算几何的算法、图论的算法、动态规划以及数值分析、加密算法、排序算法、检索算法、随机化算法、并行算法，厄米变形模型，随机森林算法。
❸ 常见的分类算法有哪些
决策树 贝叶斯 人工神经网络 k-近邻 支持向量机 基于关联规则的分类 集成学习
❹ 什么是分类算法
分类(Categorization or Classification)就是按照某种标准给对象贴标签(label)，再根据标签来区分归类。
分类是事先定义好类别 ，类别数不变 。分类器需要由人工标注的分类训练语料训练得到，属于有指导学习范畴。
最常用的分类算法就是贝叶斯分类算法，（贝叶斯分类器）
用到的知识就是概率的东西
谢谢采纳
❺ 算法有哪些分类
算法分类编辑算法可大致分为：
基本算法、数据结构的算法、数论与代数算法、计算几何的算法、图论的算法、动态规划以及数值分析、加密算法、排序算法、检索算法、随机化算法、并行算法，厄米变形模型，随机森林算法。
❻ python分类算法有哪些
常见的分类算法有：
K近邻算法
决策树
朴素贝叶斯
SVM
Logistic Regression
❼ 分类算法怎样分为 线性分类 和非线性分类
线性算法
线性算法的定义：在计算复杂性理论，一个被称为线性时间或 Ο(n)时间的算法，表示算法解题所需时间正比于输入资料的大小，通常以n表示。
这可以理解为，如果所需时间正比于输入资料的大小，那就是一个线性算法，类似于中学时学过的一次函数的函数图象
非线性算法
非线性算法一般有O(NlogN),O(N^2)等等。这些非线性算法所需的时间和输入资料大小不成正比，故函数图象应不会是一条直线，所以这些算法不是线性分类，即非线性分类。
❽ 分类和聚类的区别及各自的常见算法
1、分类和聚类的区别：
Classification (分类)，对于一个classifier，通常需要你告诉它“这个东西被分为某某类”这样一些例子，理想情况下，一个 classifier 会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做supervised learning (监督学习)，
Clustering (聚类)，简单地说就是把相似的东西分到一组，聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起。因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了，因此 clustering 通常并不需要使用训练数据进行学习，这在Machine Learning中被称作unsupervised learning (无监督学习).
2、常见的分类与聚类算法
所谓分类，简单来说，就是根据文本的特征或属性，划分到已有的类别中。如在自然语言处理NLP中，我们经常提到的文本分类便就是一个分类问题，一般的模式分类方法都可用于文本分类研究。常用的分类算法包括：决策树分类法，朴素贝叶斯分类算法(native Bayesian classifier)、基于支持向量机(SVM)的分类器，神经网络法，k-最近邻法(k-nearestneighbor，kNN)，模糊分类法等等。
分类作为一种监督学习方法，要求必须事先明确知道各个类别的信息，并且断言所有待分类项都有一个类别与之对应。但是很多时候上述条件得不到满足，尤其是在处理海量数据的时候，如果通过预处理使得数据满足分类算法的要求，则代价非常大，这时候可以考虑使用聚类算法。
而K均值(K-mensclustering)聚类则是最典型的聚类算法(当然，除此之外，还有很多诸如属于划分法K中心点（K-MEDOIDS）算法、CLARANS算法；属于层次法的BIRCH算法、CURE算法、CHAMELEON算法等；基于密度的方法：DBSCAN算法、OPTICS算法、DENCLUE算法等；基于网格的方法：STING算法、CLIQUE算法、WAVE-CLUSTER算法；基于模型的方法)。
❾ 常见的分类算法有哪些
问题应该描述仔细些，呵呵，这样就能帮你回答得更适当了
❿ 目前主流的分类算法有哪些
当然是RSA。椭圆曲线是比较安全，但是计算量也要大一些。而且，金融是一个比较保守的行业。很可能觉得椭圆曲线还是太“新”了，其安全性需要时间来证明。