八、 kNN: k-nearest neighbor classification
K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。
该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的
大多数属于某一个类别，则该样本也属于这个类别。
九、 Naive Bayes
在众多的分类模型中，应用最为广泛的两种分类模型是决策树模型(Decision Tree Model)和
朴素贝叶斯模型（Naive Bayesian Model，NBC）。
朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。
同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。
理论上，NBC模型与其他分类方法相比具有最小的误差率。
但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中
往往是不成立的，这给NBC模型的正确分类带来了一定影响。在属性个数比较多或者属性之
间相关性较大时，NBC模型的分类效率比不上决策树模型。
而在属性相关性较小时，NBC模型的性能最为良好。
十、 CART: 分类与回归树
CART, Classification and Regression Trees。 在分类树下面有两个关键的思想：第一个
是关于递归地划分自变量空间的想法；第二个想法是用验证数据进行剪枝。