BR-MLP是基於大數據BR-ODP的分佈式數據挖掘平臺,構建於分佈式平臺之上，封裝了Spark內成熟算法和其他領域算法，以機器學習算法和深度學習算法爲核心，提供海量大數據的接入、清洗、管理、建模、挖掘、可視化等功能。挖掘數據的潛在價值，助力互聯網企業更好、更快的發展！
下面，小編具體講解一下BR-MLP數據挖掘平臺關於分類或迴歸模型12個算法
（1）決策樹分類：在信息增益和已知各種情況發生概率的基礎上，通過構成決策樹來實現分類，支持二分類和多分類。
（2）決策樹迴歸：決策樹是在信息增益和已知各種情況發生概率的基礎上，通過構成決策樹來實現迴歸。
（3）樸素貝葉斯：基於貝葉斯定理與特徵條件獨立假設的分類方法，支持多分類和二分類。
（4）隨機森林分類：是利用多棵決策樹對樣本進行訓練並預測的一種分類器。
（5）隨機森林迴歸：是利用多棵決策樹對樣本進行訓練並預測的一種迴歸算法。
（6）梯度提高樹分類：是一種組合算法，它的分類器是決策樹，可以用作分類。
（7）梯度提高樹迴歸：是一種組合算法，它的基分類器是決策樹，可以用迴歸。
（8）邏輯迴歸：邏輯迴歸的模型是一個非線性模型，在線性函數的基礎上添加了映射函數關係，是常用的分類算法。
（9）支持向量機：一個支持向量機構造一個超平面，其可用於分類。
（10）線性迴歸：利用數理統計中的迴歸分析，來確定兩種或兩種以上變量間相互依賴的定量關係的一種迴歸方法。
（11）保序迴歸：是在約束條件下的一種迴歸，該平臺採用平行化的PAVA算法，最終用於擬合原始數據最佳的單調函數。
（12）時間序列：採用自迴歸積分滑動平均模型的時間序列預測方法，針對一列按照時間順序排列的數據進行建模預測。