分类算法还有很多，但由于水平太菜， SVM 和 神经网络没有办法表述的清，这两种分类算法的数学实现都很高深和精妙，一种算法写个几千页的书都没问题。
支持向量机
支持向量机 Support Vector Machines，多称 SVM，为什么算法的名字都这么奇怪？
先看看下面一张图，驾校考试科目二：曲线行驶
大家都知道考试时车不能压线，所以越往中间开越安全，这个和SVM的概念就很象了。
看下图，普通的分类器在理念上可能是一条线将两种不同的类别分开，而 SVM 则是使用一条可移动的线，线在中间往左移动 b 的距离或向右移动 b 的距离都可以很好的将两组数据分开，而这段可移动的距离称为 margin，支持这根线最高可以移动的点（绿色的部分），叫做 支持向量(Support Vector)
算法原理
和 KNN，贝叶斯这种一看就明白原理的算法相比，SVM 算法原理很复杂，有一大串的数据公式。个人知识浅薄没法解释了。
SVM 算法使用了投射，比如以下一个图，将二维空间的数据投射到三维空间，使得原本线性不可分的数据，变为线性可分。
那么 SVM 的高深之处就在于，SVM的计算是在低维空间中进行的，一般的算法都是维数越低越好（容易计算），而 SVM 将低维空间中的数据投射到高维空间后，使用的仍然是低维空间中的计算，而对应的结果可以在高维空间中进行判断。
神经网络
Neural Networks，神经网络，也是很复杂的算法。只能简单介绍
名字由来
神经网络从名字上来看就够牛了,生物学的东西略说下就是人的反映是由各各神经决定,比如被针扎了一下,就会将(针扎)输入到触觉神经,痛觉神经等神经元,做到一系列的反映,这让我想起了经常报道的很多奇人异士,他们不会感觉到痛,也许就是某些神经缺失吧.
话说回来，一次小小的针扎，在人体里面可能动用的神经元都会有亿万个,如果说用计算机去模拟这个量级很显然不太现实,但可以从中得到启发，借用了生物学上的名词而发名出了这个算法。
如图，和其它算法比机来，神经网络理解起来没那么容易，它没有空间的概念，参考的是生物学的一套系统组成。
生物学上一个神经系统由无数个神经元组成，在机器学习里面，这些神经元称作感知机（perceptrons），感知机的功能就和神经元类似，有输入进来，处理后，再根据结果输出到另外一个感知机。
感知机
感知机（神经元）就是神经网络（生物神经系统）里面的一个基础的单元，一个感知机在技术上的实现 是一组权重值$Weight$加一个初始输入($X_0$)，有输入，根据权重值将输入作内积，然后输出。
比如这样一个感知机 [$X_0 = -0.5 , Weight = [ 0.3, 0.7 ] $] 接受两个输入参数，并可以输出一个结果，如下：
| $X_1$ | $X_2$ | 计算过程 | 输出 |
|---|---|---|---|
| 0 | 0 | -0.5 | 0 |
| 0 | 1 | -0.5 + 0.7 * 1 = 0.2 | 1 |
| 1 | 0 | -0.5 + 0.3 * 1 = -0.2 | 0 |
| 1 | 1 | -0.5 + 0.3 * 1 + 0.7 * 1 = 0.5 | 1 |
可以看出一个感知机是否精确，主要就在于优化权重，通常可以使用梯度下降算法，可以将每个输入项的权重找到比较合理的值。
以自动驾驶为例，汽车前面有个摄相头，摄相头就像人的眼睛一样，看到了前面的画面，并将画面通过图像解析转换成一组数据，做为参数传给自动驾驶程序，感知机即可通过已经训练好的程序进行判断，将结果中控台完成自动驾驶。
深度学习
当然一个感知机的能力是很弱的，通常来说并不实用，通常一般算法都会使用多层感知机，而深度学习则是非常多层的感知机了。
深度学习是以神经网络作为理论基础，目前深度学习算法中，最主流的就是tensorflow了，Google出品的阿尔法狗就是以Tensorflow为框架实现的。
小结
分类算法用的最多的就是这些类别，还有一些集成学习，关联规则等。除了 SVM，其它的应该都还比较好懂。