em，是一種含有隱含變量的概率模型參數的極大似然估計法。主要應用在機器學習以及計算機視覺的數據聚類領域。
lr，邏輯回歸，本質也是線性回歸，通過擬合擬合樣本的某個曲線，然后使用邏輯函數進行區間縮放，但是一般用來分類，主要用在點擊率預估、推薦系統等；
svm，支撐向量機，通過找到樣本空間中的一個超平面，實現樣本的分類，也可以作回歸，主要用在文本分類，圖像識別等領域，詳見：；
nn，神經網絡，通過找到某種非線性模型擬合數據，主要用在圖像處理等；
nb，朴素貝葉斯，通過找到樣本所屬於的聯合分步，然后通過貝葉斯公式，計算樣本的后驗概率，從而進行分類，主要用來文本分類；
dt，決策樹，構建一棵樹，在節點按照某種規則（一般使用信息熵）來進行樣本划分，實質是在樣本空間進行塊狀的划分，主要用來分類，也有做回歸，但更多的是作為弱分類器，用在model embedding中；
rf，隨進森林，是由許多決策樹構成的森林，每個森林中訓練的樣本是從整體樣本中抽樣得到，每個節點需要進行划分的特征也是抽樣得到，這樣子就使得每棵樹都具有獨特領域的知識，從而有更好的泛化能力；
gbdt，梯度提升決策樹，實際上也是由多棵樹構成，和rf不同的是，每棵樹訓練樣本是上一棵樹的殘差，這體現了梯度的思想，同時最后的結構是用這所有的樹進行組合或者投票得出，主要用在推薦、相關性等；
knn，k最近鄰，應該是最簡單的ml方法了，對於未知標簽的樣本，看與它最近的k個樣本(使用某種距離公式，馬氏距離或者歐式距離)中哪種標簽最多，它就屬於這類；
朴素貝葉斯（Naive Bayes）法是基於貝葉斯定理與特征條件獨立假設的分類方法，對於給定的訓練數據集，首先基於特征條件獨立假設學習輸入/輸出的聯合概率分布；然后基於此模型，對給定的輸入x，利用貝葉斯定理求出后驗概率最大的輸出y。對於給出的待分類項，求解在此項出現的條件下各個類別出現的概率，哪個最大，就認為此待分類項屬於哪個類別。