分类(Categoriz ation or Classification)就是按照某种标准给对象贴标签(label)，再根据标签来区分归类
分类是事先定义好类别 ，类别数不变
分类器需要由人工标注的分类训练语料训练得到，属于有指导学习范畴
最常用的分类算法就是贝叶斯分类算法，（贝叶斯分类器） 用到的知识就是概率的东西 不准确的说，就是给它一些已经知道分类的例子作为样本，让它自己“找到”分类标准
说概念就太抽象，我给你举一些例子吧 比如程序是区分大豆和绿豆的
我们输入的数据是 比如颜色值、半径大小，属于黄豆还是绿豆等等（当然这是个简单的例子）
首先我们需要拿出一些“豆子”的数据给程序，并告诉它是黄豆还是绿豆，然后通过自己的算法，让程序“计算”出区分两种东西的“边界条件”，或者简单说就是提取特征（一般用的比较多的就是距离）
这就相当于训练/学习等概念
主要分类方法介绍 主要分类方法介绍解决分类问题的方法很多[40-42] ，单一的分类方法主要包括：决策树、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等；另外还有用于组合单一分类方法的集成学习算法，如Bagging 和Boosting 等
（1）决策树 决策树是用于分类和预测的主要技术之一，决策树学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则
构造决策树的目的是找出属性和类别间的关系，用它来预测将来未知类别的记录的类别
它采用自顶向下的递归方式，在决策树的内部节点进行属性的比较，并根据不同属性值判断从该节点向下的分支，在决策树的叶节点得到结论
主要的决策树算法有ID3、C4
0）、CART、PUBLIC、SLIQ 和SPRINT 算法等
它们在选择测试属性采用的技术、生成的决策树的结构、剪枝的方法以及时刻，能否处理大数据集等方面都有各自的
