分類就是根據訓練數據集和標記的數據屬性，構建模型，來分類新的數據。這種模型就叫分類器。
預測就是建立連續的函數模型，預測接下來的連續值。同樣的模型就叫預測器。
（說到底就是給一堆數據，然後按不同方法分類，看看效果好不好...）
主要的分類方法有決策樹、貝葉斯，人工神經網絡、支持向量機、K最近鄰方法，基於規則的分類和組合分類等方法。
（這一張好多東西都是知道但不瞭解的，就介紹的粗略些，以後這些東西隨着慢慢學再慢慢寫，而且每種方法都巨多內容，都能單開一篇推送...）
決策樹分類
決策樹分類就是條件判斷進行分類，通過給不同的條件，加上各種嵌套，對數據進行分類。此外，還可以通過剪枝的思想對雜類統一處理，降低複雜度。
貝葉斯分類
基於貝葉斯定理的分類方法。（簡簡單單統計學）
人工神經網絡
利用人工神經網絡模型，模擬生物神經網絡系統，用於分類和預測。
神經網絡包括多個神經元和連接，這些神經元和連接構成多層結構，包括一個輸入層，多個隱藏層（通常爲一層）和一個輸出層。
整體過程大概是所有的數據都是輸入層的一個神經節點，然後通過各種函數投影到隱藏層的節點，進行分析判斷，輸出到輸出層，給數據打標籤分類。
之後具體的前向傳播和後向傳播等以後學了再寫...
更進一步是深度學習，通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分佈式特徵表示。
（就是多層網絡，通過多個簡單的隱藏層尋找多個特徵，多個簡單特徵組合成複雜特徵，進行分類。缺點是太耗費算力，算的真的慢啊，哭了）
支持向量機分類
支持向量機分類（SVM）主要用於二項分類。
本質上就是用各種非線性映射，將原來的數據在別的維度中展示。典型的就是極座標系與笛卡爾座標系。
K最鄰近分類
組合分類
多個分類方法堆到一起，起到一個綜合的作用，產生更好的效果~
空間分類
常用線性迴歸、地理加權迴歸（加個空間關係矩陣）、趨勢面擬合，克里金等。
關注我就是我最尊貴的朋友
