1. 机器学习中的常用分类器：回归、分类（确定是哪一类）
1）线性回归：根据给出的数据拟合出一条直线或曲线，反应数据的分布；
评判的准则或损失函数：统计所有预测值yi及对应实际值y之间的距离之和，使其最小化；
2）逻辑(Logistic)回归：是二分类问题，不是回归问题；
它可以把输出的值映射到0-1之间表示概率问题，如果中间设定某一阈值（比如0.5），大于0.5表示正类，小于0.5表示分类，即二分类问题；
softmax回归：跟逻辑回归一样，是分类问题，不是回归问题；只不过softmax针对的是多分类；
参考：https://www.cnblogs.com/yinheyi/p/6131262.html
3）SVM支持向量机：定义在特征空间上的线性分类器，是一种二分类模型；
超平面：分类的决策边界；
支持向量：在SVM中，希望找到的离分隔超平面最近的点，确保他们离分隔超平面的距离尽可能的远；
参考：https://blog.csdn.net/gwplovekimi/article/details/80301614
4）贝叶斯分类器
5）K近邻
6）决策树
7）集成模型
原文：https://www.cnblogs.com/zhaopengpeng/p/12209483.html