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：
这M个子集得到 M 个决策树： 将新数据投入到这M个树中，得到M个分类结果，计数看预测成哪一类的数目最多，就将此类别作为最后的预测结果。
3、ADABOOST
adaboost 是 bosting 的方法之一。 bosting就是把若干个分类效果并不好的分类器综合起来考虑，会得到一个效果比较好的分类器。 下图，左右两个决策树，单个看是效果不怎么好的，但是把同样的数据投入进去，把两个结果加起来考虑，就会增加可信度。
adaboost 的例子，手写识别中，在画板上可以抓取到很多 features，例如始点的方向，始点和终点的距离等等。
training的时候，会得到每个feature的weight，例如2和3的开头部分很像，这个feature对分类起到的作用很小，它的权重也就会较小。
而这个alpha角就具有很强的识别性，这个feature的权重就会较大，最后的预测结果是综合考虑这些feature的结果。
