在上一篇文章中我们给大家介绍了机器学习的步骤，机器学习中的步骤有三个，第一就是表示，第二就是评价，第三就是优化。上一篇文章中我们给大家介绍了机器学习的第一个步骤——表示，而表示还涉及到了一些算法，下面我们就给大家介绍一下这些内容。

机器学习中涉及到了很多的算法，比如K-近邻算法、回归模型、决策树、SVM支持向量机。我们首先给大家说一下K-近邻算法。在机器学习当中，我们常见的有 K-近邻算法。K-近邻算法实际上就是，找到一个样本点和这个样本点最近的几个邻居，最近的这K个邻居。按照少数服从多数的原则，对它进行分类，这就是 K-近邻算法。而回归模型也是表示步骤中使用最多的内容。回归模型是一种预测性的建模技术，它研究的是因变量和自变量之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。除此之外，还有线性回归，这样的统计学习方法。当然，对二分类我们可以建立逻辑回归模型。

然后我们说一下决策树，是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。决策树它不依赖于数据，它完全是自顶向下的一个设计。线性回归也好，逻辑回归也好，它是从数据反过来去推导模型，而决策树直接去用模型判定数据，两个方向不太一样。最后我们说一下SVM支持向量机。SVM支持向量机这样的纯数学方法。所以说表示的部分，我们需要把问题和数据进行抽象，这个时候我们就要用到抽象的工具。而支持向量机这种算法就能够解决这些问题。

我们在这篇文章中给大家介绍了机器学习中表示步骤中涉及到的算法，具体的算法有K-近邻算法、回归模型、决策树、SVM支持向量机。这些算法在机器学习中都是十分实用的，所以我们要想掌握机器学习一定不要忽视这些算法。