在搞笑諾貝爾獎Ig Nobel Prize頒獎典禮上, 有一個節目叫24/7，先讓科研者先用24秒完整講解科研工作，然后再用讓所有人都明白的7個單詞總結。有人講，如果一個人不能把深奧的理論描述清楚得讓跳廣場舞的大媽明白，就不能算真正理解中這個理論。雖然凡事都有例外，但是跟外行人聊天或者面試時，我們經常會遇到要把深奧的專業知識講解出來，讓非專業人士都明白其中的精髓。這篇博客將斗膽挑戰講解機器學習中的幾個常用的分類算法，字數不得超五十，越容易理解越好越好，越少越好。為了使文章做到通俗易懂，有基本的數學知識就能理解，我省略很多專業稱謂。如果說錯了或者讀者有更好的講解，請不吝賜教。
KNN K Nearest Neighbour K近鄰算法
版本一：在多維特征空間里，一個數據點的類別，與跟它最近的K個數據點的類別，是一樣的概率很大。
版本二：如果要了解一個人是什么樣的，最有可能從他身邊的親人，朋友，鄰居的特性中找到答案。比如一個人的親近的朋友都會打麻將，那么極大可能他也會打麻將。
版本三：“近朱者赤，近墨者黑”的概率大於“出淤泥而不染，濁清漣而不妖”。
K Means K均值
在特征空間中，隨機選k個中心，其他所有點找到距離最近的中心，形成k個聚類。然后聚類的中心點成為空間中新的中心，其他所有點再次根據距離形成新的聚類。重復這個過程，直到中心不在變化時。
SVM Support Vector Machine 支持矢量機
在特征空間中，畫不同的邊界，找出距離所有點總距離最遠的邊界。
Decision Tree 決策樹
數據點的每一個特征都用來一層一層地進行判斷是否屬某一類別，就像一個棵樹，從樹根經過樹干，大小不同樹枝到每片葉子。
Naive Bayes 朴素貝葉斯
假設某一類別的數據點的所有特性都是不相關的,某一特征判定為某類別的概率是相互獨立的。根據貝葉斯，計算出新的數據點各種特征條件下為各類別的概率，最終類別為概率最大者。
Random Forest 隨機森林
很多的決策樹隨機地建立一個森林，決策樹之間是沒有關聯的。讓森林中的每一棵決策樹分別進行一下判斷數據點類型，然后看看哪一類被選擇最多，就預測該數據點為那一類。