文档介绍：， 承了 ID3算法的优点，并在以下几方面对ID3算法进行了改进：
用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不 足；
， 承了 ID3算法的优点，并在以下几方面对ID3算法进行了改进：
用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不 足；
在树构造过程中进行剪枝；
能够完成对连续属性的离散化处理；
能够对不完整数据进行处理。
：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过 程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。
The k-means algorithm 即 K-Means 算法
k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。 它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。
Support vector machines
支持向量机，英文为Support Vector Machine，简称SV机(论文中一般简称SVM)。 它是一种监督式孥者的方法，它广泛的应用于统计分类以及回归分析中。支持向量机将向量映 射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的 两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的距离最大化。假定平行超平 面间的距离或差距越大，分类器的总误差越小。 Burges的《模式识别 支持向量机指南》。van der Walt和Barnard将支持向量机和其他分类器进行了比较。
The Apriori algorithm
Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段 频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支 持度大于最小支持度的项集称为频繁项集，简称频集。
最大期望(EM)算法
在统计计算中，最大期望(EM，Expectation -Maximization)算法是在概率(probabilistic) 模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量(Latent Variabl)。最大期望经常用在机器学****和计算机视觉的数据集聚(Data Clustering)领域。
PageRank
PageRank根据网站的外部链接和内部链接的数量和质量俩衡量网站的价值。PageRank 背后的概念是，每个到页面的链接都是对该页面的一次投票，被链接的越多，就意味着被其他 网站投票越多。这个就是所谓的一链接流行度II ― 量多少人愿意将他们的网站和你的网站 挂钩。PageRank这个概念引自学术中一篇论文的被引述的频度一即被别人引述的次数越多， 一般判断这篇论文的权威性就越高。
AdaBoost
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类 器)，然后把