多分類算法?
哪些機器學習算法可以處理多分類
maxsoft作為logistics二分類的改進版，天生適合多分類；神經網絡(如bp神經網絡，隨機權神經網絡，RBF神經網絡等)；通過建立多個支持向量機或者最小二乘支持向量機分類模型，通過投票算法選擇概率最大的分類標籤；也可以通過聚類算法(KNN，kMeans等)等無監督學習算法實現分類。或許不太完善，歡迎補充。(機器學習算法與Python學習)
目前主流的分類算法有哪些
攻下徐州後欲取下邳。關羽兵敗後被圍在一座土山上。曹操派人勸降。關羽提出三個條件：一擒住了孟獲。?以天子之令討伐司馬懿。曹爽沒有采納。司馬懿又捏造罪名。魏景初三年春
用於數據挖掘的分類算法有哪些，各有何優劣
樸素貝葉斯(Naive Bayes, NB)
超級簡單，就像做一些數數的工作。如果條件獨立假設成立的話，NB將比鑑別模型（如Logistic迴歸）收斂的更快，所以你只需要少量的訓練數據。即使條件獨立假設不成立，NB在實際中仍然表現出驚人的好。如果你想做類似半監督學習，或者是既要模型簡單又要性能好，NB值得嘗試。
Logistic迴歸(Logistic Regression, LR)
LR有很多方法來對模型正則化。比起NB的條件獨立性假設，LR不需要考慮樣本是否是相關的。與決策樹與支持向量機（SVM）不同，NB有很好的概率解釋，且很容易利用新的訓練數據來更新模型（使用在線梯度下降法）。如果你想要一些概率信息（如，為了更容易的調整分類閾值，得到分類的不確定性，得到置信區間），或者希望將來有更多數據時能方便的更新改進模型，LR是值得使用的。
決策樹（Decision Tree, DT）
DT容易理解與解釋（對某些人而言——不確定我是否也在他們其中）。DT是非參數的，所以你不需要擔心野點（或離群點）和數據是否線性可分的問題（例如，DT可以輕鬆的處理這種情況：屬於A類的樣本的特徵x取值往往非常小或者非常大，而屬於B類的樣本的特徵x取值在中間範圍）。DT的主要缺點是容易過擬合，這也正是隨機森林（Random Forest, RF）（或者Boosted樹）等集成學習算法被提出來的原因。此外，RF在很多分類問題中經常表現得最好（我個人相信一般比SVM稍好），且速度快可擴展，也不像SVM那樣需要調整大量的參數，所以最近RF是一個非常流行的算法。
支持向量機（Support Vector Machine, SVM）
很高的分類正確率，對過擬合有很好的理論保證，選取合適的核函數，面對特徵線性不可分的問題也可以表現得很好。SVM在維數通常很高的文本分類中非常的流行。由於較大的內存需求和繁瑣的調參，我認為RF已經開始威脅其地位了。
回到LR與DT的問題（我更傾向是LR與RF的問題），做個簡單的總結：兩種方法都很快且可擴展。在正確率方面，RF比LR更優。但是LR可以在線更新且提供有用的概率信息。鑑於你在Square(不確定推斷科學家是什麼，應該不是有趣的化身)，可能從事欺詐檢測：如果你想快速的調整閾值來改變假陽性率與假陰性率，分類結果中包含概率信息將很有幫助。無論你選擇什麼算法，如果你的各類樣本數量是不均衡的（在欺詐檢測中經常發生），你需要重新採樣各類數據或者調整你的誤差度量方法來使各類更均衡。
算法有哪些分類
鄲多了，
最不實用但是分類錯誤率最低的：貝葉斯方法。
最簡單的是最近鄰方法，從最近鄰方法又引申出現在極為流行的基於實例（或基於記憶）的方法（Memory Based）。
經典的：隱馬爾可夫模型（HMM），最大熵，條件隨機場（CRF，這個比較新）
最流行的：winnow，bagging，ada boost等等
數據挖掘分類方法決策樹可以分多類麼
數據挖掘,也稱之為數據庫中知識發現是一個可以從海量數據中智能地和自動地抽取一些有用的、可信的、有效的和可以理解的模式的過程.分類是數據挖掘的重要內容之一.目前,分類已廣泛應用於許多領域,如醫療診斷、天氣預測、信用證實、顧客區分、欺詐甄別. 現己有多種分類的方法,其中決策樹分類法在海量數據環境中應用最為廣泛.其原因如下：
1、決策樹分類的直觀的表示方法較容易轉化為標準的數據庫查詢
2、決策樹分類歸納的方法行之有效,尤其適合大型數據集.
3、決策樹在分類過程中,除了數據集中已包括的信息外,不再需要額外的信息.
4、決策樹分類模型的精確度較高. 該文首先研究了評估分類模型的方法.在此基礎上著重研究了決策樹分類方法,並對決策樹算法的可伸縮性問題進行了具體分析,最後給出了基於OLE DB for DM開發決策樹分類預測應用程序.
用於數據挖掘的分類算法有哪些，各有何優劣
最高的山在你心裡，就看你能不能攀到最頂峰。當你攀上了你心中的那座高山，你就實現了你的人生價值。
fisher算法怎麼實現多個類樣的分類，我怎麼感覺fisher算法只能做兩個類樣的分類？
有辦法實現多類：首先實現兩類fisher算法，兩類fisher算法能夠返回最接近待測樣品的類別，然後用返回的類別和新的類別做兩類fisher運算，又能夠得到比較接近的類別，以此類推，直到所有的類別，最後得出未知樣品的類別。
r語言中有很多類用什麼分類算法
分類算法與我們的生活息息相關，也是目前數據挖掘中應用最為廣泛的算法，如：已知系列的溫度、溼度的序列和歷史的是否下雨的統計，我們需要利用歷史的數據作為學習集來判斷明天是否下雨；又如銀行信用卡詐騙判別。