svm算法（SupportVectorMachines,SVM）由Vapnik在1995年明確提出，風(fēng)琴箱用以處理二分類計(jì)算機(jī)視覺(jué)難題。它根據(jù)找尋適用空間向量來(lái)明確管理決策面，并使分類間距較大 。SVM方法給予了處理“維數(shù)災(zāi)禍”難題的方法。SVM方法不錯(cuò)的理論基礎(chǔ)和它在一些行業(yè)的使用中呈現(xiàn)出來(lái)的出色的廣泛性能，雖然SVM算法的性能在很多現(xiàn)實(shí)情況的使用中取得了認(rèn)證，可是該算法在預(yù)估上存有著一些難題，辦公用品包含練習(xí)算法速度比較慢，算法繁雜而難以達(dá)到及其檢驗(yàn)環(huán)節(jié)算法復(fù)雜度大這些。樸素貝葉斯(NaiveBayes，NB)幾率分類器是深度學(xué)習(xí)中很常見(jiàn)的一種方法，其主要觀念是運(yùn)用英語(yǔ)單詞和分類的聯(lián)合概率來(lái)可能給出文本文檔的分類幾率。

    貝葉斯公式：P(C|X)*P(X)=P(X|C)*P(C)

    矩陣的特征值：X=(x1,x2,x3…)C={C1,C2,……}

    在其中P(C)是每一個(gè)類型的先驗(yàn)概率，即，風(fēng)琴包互聯(lián)網(wǎng)技術(shù)上每個(gè)分類所占總網(wǎng)頁(yè)的占比

    P(X|C)：條件概率，表明在類型為C的練習(xí)結(jié)合中，X的分布狀況。

    P(X)：每一個(gè)矩陣的特征值的分布，因?yàn)榫仃嚨奶卣髦档姆植际请S即的，因此P(X)相同

    ?神經(jīng)網(wǎng)絡(luò)（Neuralnetwork，NN）技術(shù)性是人工智能技術(shù)中的關(guān)鍵技術(shù)。將神經(jīng)網(wǎng)絡(luò)用以文本文檔分類時(shí)，必須為每一個(gè)分類創(chuàng)建一個(gè)神經(jīng)網(wǎng)絡(luò)，通過(guò)學(xué)習(xí)獲得從鍵入英語(yǔ)單詞（或是更繁雜的特點(diǎn)詞向量）到分類的離散系統(tǒng)投射。其測(cè)算量和練習(xí)時(shí)間十分巨大。