分类中：knn（k-最近邻）训练阶段：记住所有点测试阶段：计算新点a和原始数据预测中每个点之间的欧氏距离：找到离点a最近的k点，看哪个分类点k点属于最多，然后将a点划分为该类的缺点：测试阶段耗时太多svm（支持向量机）与机器学习的区别在于logistic回归更像分类算法。不同的是logistic回归采用logistic损失，支持向量机采用后验损失。这两个损失函数的目的是增加对分类影响较大的数据点的权重，减少与分类关系较小的数据点的权重。支持向量机是稀疏的，因为它通过支持向量机。logistic回归通过使用权重来降低异常值的权重。
k-means聚类算法是hcm（普通的硬c-means聚类算法），这是一种硬划分方法，结果不是1就是0，没有其他情况，具有“非此即彼”的性质。
隶属度矩阵为u。fcm是hcm算法对模糊情况的推广，用于模糊分类，并给出隶属度的权重。
