图像分类算法是机器学习领域中的一类，主要的分类算法包括传统和深度两大类，那么我们来说说各自都有哪些分类算法吧。
首先传统机器学习分类算法包括:
1.最近邻(KNN)它的主要思想是人工选取分类类别数，在利用测试样本的各个特征与原始样本的各个特征的欧式距离得到一个结果值，最后在一定范围内统计所有结果值，找出最多类的类别作为测试样本的类别。
优点:样本无需训练，好理解，对大体量数据分类效果较好。
缺点:误差很难控制，对于小样本准确率较低，计算量较大。
2.朴素贝叶斯它是利用样本的一定先验知识，通过后验概率的统计来得出测试样本属于某一类的概率。
优点:训练样本在较少情况下就可以达到效果
缺点:需要先验知识，往往出现过拟合
3.决策树它是利用属性结构不断进行分支处理，进而从树根一直到树枝进行判断有无(二分类)来得到最终的分类结果。
优点:处理速度块，好理解
缺点:分类准确率不高
4.支持向量机(SVM)通过构建分类超平面将两类样本区分开，进而对测试样本提取到的特征进行分类。它后期延展到高维，通过选取基函数来进行多分类。
优点:分类准确率较高
缺点:不好理解，优化较难
5.经典BP神经网络它的拓扑结构与现在的深层神经网络没有大的区别，主要是输入、隐藏和输出层，对训练数据通过不断的反向传播调整特征权重来达到收敛的目的，最终使用训练模型进行测试样本分类。
优点:分类准确率较高
缺点:参数较多，优化复杂
再简单探讨深度学习分类算法，深度学习中经典的minist数据集就是用于分类的经典数据集。我们可以构建基础的神经网路，通过卷积提取特征，再利用池化较少计算复杂度，最后利用全连接层对特征进行展开，并利用sigmoid等函数得到各个分类的概率，找到最大概率对应的类别，即为测试样本的类别。
优点:实用性较强，具有泛化能力，准确率较高
缺点:参数太多，优化难度较大
总结一下，分类算法分为传统机器学习方法和现代深度学习方法，根据你的样本数量及运算性能和精确程度、速度的要求选择不同的分类方法。
分类算法需要不断的调参和进行数据分析才能得到较好的结果，我相信只要大家勤于思考，勤务动手，一定能在该领域有所见术。如果大家有什么疑问，可以留言，也希望彼此互相学习，共同成长。
