1 貝葉斯分類器
優點：接受大量數據訓練和查詢時所具備的高速度，支持增量式訓練；對分類器實際學習的解釋相對簡單
缺點：無法處理基於特征組合所產生的變化結果
2 決策樹分類器
優點：很容易解釋一個受訓模型，而且算法將最為重要的判斷因素都很好的安排在了靠近樹的根部位置；能夠同時處理分類數據和數值數據；很容易處理變量之間的相互影響；適合小規模數據
缺點：不擅長對數值結果進行預測；不支持增量式訓練
3 神經網絡
優點：能夠處理復雜的非線性函數，並且能發現不同輸入間的依賴關系；支持增量式訓練
缺點：黑盒方法，無法確定推導過程；選擇訓練數據的比率與問題相適應的網絡規模方面，沒有明確的規則可以遵循，選擇過高的訓練數據比率有可能導致網絡對噪聲數據產生過渡歸納的現象，而選擇過低的訓練比率，則意味着除了已知數據，網絡有可能不會再進一步學習了。
4 支持向量機
優點：通過將分類輸入轉化成數值輸入，可以令支持向量同時支持分類數據和數值數據；適合大規模數據
缺點：針對每個數據集的最佳核變函數及其相應的參數都是不一樣的，而且每當遇到新的數據集都必須重新確定這些函數及其參數；黑盒技術，由於存在高維空間的變換，SVM的分類過程更加難以解釋。
5 K-最近鄰
優點：能夠利用復雜函數進行數值預測，同時又保持簡單易懂的特點；合理的數據縮放量；在線（online）技術，新數據可以隨時被添加進來，而不必重新進行訓練。
缺點：要求所有訓練數據都必須缺一不可；尋找合理的縮放因子比較乏味