1.KNN算法
KNN算法的全名稱叫做k-nearest neighbor classification，也就是K最近鄰，簡稱為KNN算法，這種分類算法，是壹個理論上比較成熟的方法，也是最簡單的機器學習算法之壹。該方法的思路是：如果壹個樣本在特征空間中的k個最相似，即特征空間中最鄰近的樣本中的大多數屬於某壹個類別，則該樣本也屬於這個類別。KNN算法常用於數據挖掘中的分類，起到了至關重要的作用。
2.Naive Bayes算法
在眾多的分類模型中，應用最為廣泛的兩種分類模型是決策樹模型(Decision Tree Model)和樸素貝葉斯模型（Naive Bayesian Model，NBC）。樸素貝葉斯模型發源於古典數學理論，有著堅實的數學基礎，以及穩定的分類效率。同時，NBC模型所需估計的參數很少，對缺失數據不太敏感，算法也比較簡單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。但是實際上並非總是如此，這是因為NBC模型假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的，這給NBC模型的正確分類帶來了壹定影響。在屬性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型。而在屬性相關性較小時，NBC模型的性能最為良好。這種算法在數據挖掘工作使用率還是挺高的，壹名優秀的數據挖掘師壹定懂得使用這壹種算法。
3.CART算法
CART, 也就是Classification and Regression Trees。就是我們常見的分類與回歸樹，在分類樹下面有兩個關鍵的思想。第壹個是關於遞歸地劃分自變量空間的想法；第二個想法是用驗證數據進行剪枝。這兩個思想也就決定了這種算法的地位。
在這篇文章中我們給大家介紹了關於KNN算法、Naive Bayes算法、CART算法的相關知識，其實這三種算法在數據挖掘中占據著很高的地位，所以說如果要從事數據挖掘行業壹定不能忽略這些算法的學習。