1. 决策树
根据一些 feature 进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上。
2. 随机森林
在源数据中随机选取数据，组成几个子集；
S 矩阵是源数据，有 1-N 条数据，A B C 是feature，最后一列C是类别；
由 S 随机生成 M 个子矩阵。
3. 马尔可夫
Markov Chains 由 state 和 transitions 组成；
例如，根据这一句话 ‘the quick brown fox jumps over the lazy dog’，要得到 markov chain；
步骤，先给每一个单词设定成一个状态，然后计算状态间转换的概率；
这是一句话计算出来的概率，当你用大量文本去做统计的时候，会得到更大的状态转移矩阵，例如 the 后面可以连接的单词，及相应的概率；
生活中，键盘输入法的备选结果也是一样的原理，模型会更高级
