K 近邻是一种流行的分类方法，因为它们易于计算和解释。本模块将向您介绍 K 近邻背后的理论，并提供一个演示，供您练习使用 sklearn 建立 K 近邻模型。

本模块将引导你了解支持向量机如何构建超平面，将数据映射到集中了某类大部分数据点的区域。虽然支持向量机广泛用于回归、异常点检测和分类，但本模块将重点介绍后者。

决策树方法具有视觉吸引力和高可解释性，是分类任务中常用的基准模型。本模块将引导你了解决策树背后的理论，并举例说明建立决策树分类模型的实践方法。您将了解这些技术的主要优缺点。在下一模块介绍决策树集合时，这些背景知识将非常有用。

集合模型是一种非常流行的技术，因为它们可以帮助你的模型更好地抵御异常值，并有更好的机会对未来数据进行归纳。在一些集合模型帮助人们赢得预测比赛后，它们也开始流行起来。最近，随机梯度提升成为许多数据科学家的首选模型。 本模型将向您介绍集合模型和流行的基于树的集合背后的理论。

有些分类模型比其他模型更适合异常值、低出现率类别或罕见事件。为分类器增加鲁棒性的最常用方法与分层抽样有关，以重新平衡训练数据。本模块将向你介绍分层抽样方法和更新颖的方法，以对具有不平衡类别的数据集进行建模。