除神经网络还有什么算法 不用神经网络，还有什么其他算法？

1、决策树算法

决策树是一种基于树结构的分类和预测算法。其通过对样本的不断分裂来达到分类的目的。对于每个需要分类的样本，决策树算法会一步步根据训练数据中的特征值判断该样本属于哪一类别。

在构建决策树的过程中，需要使用信息增益、信息熵等指标来确定每个特征的重要性，从而进行分裂。决策树算法简单易懂，容易解释，且可以处理多分类和连续型特征的数据。

2、随机森林算法

随机森林是一种集成学习（ensemble learning）方法，由多个决策树构成。其通过随机选择部分特征和样本来构建多个决策树，最后通过投票的方式来决定分类。

随机森林算法可以有效地避免过拟合现象，并且对于高纬度数据和大规模数据具有较好的表现。随机森林也可以用于特征选择和异常值检测。

3、支持向量机算法

支持向量机（Support Vector Machine，SVM）是一种非常强大的分类和回归算法。其基本思想是在样本空间中找到一个最优的超平面，将不同类别的样本分开。

SVM算法可以处理线性和非线性分类问题，支持向量的数量少，计算速度快，适用于小样本和高维度数据。

4、贝叶斯分类器算法

贝叶斯分类器是一种基于贝叶斯定理的概率模型。其根据先验概率和条件概率来计算后验概率，进而进行分类。

贝叶斯分类器算法具有快速简单、能够处理高维数据、适用于增量学习、鲁棒性好的特点。在文本分类、垃圾邮件过滤等领域有广泛的应用。