Wolfram语言提供了丰富的机器学习方法选择，用于执行回归、分类、聚类、降维等。
“类别分布” —使用学习的分布
“决策树” —使用决策树
“渐变增强树” —使用经过梯度增强训练的树集合
“逻辑回归” —使用特征线性组合的概率
“马尔可夫” —对特征序列使用马尔可夫模型（仅适用于文本、标记包……）
“朴素贝叶斯” —通过假设特征的概率独立性进行分类
“最近的邻居” —使用最近邻示例
“神经网络” —使用人工神经网络
“RandomForest” —使用Breiman–决策树的Cutler集合
“SupportVectorMachine” —使用支持向量机
“决策树” —使用决策树
“渐变增强树” —使用经过梯度增强训练的树集合
“线性回归” —使用要素的线性组合
“最近的邻居” —使用最近邻示例
“神经网络” —使用人工神经网络
“RandomForest” —使用Breiman–决策树的Cutler集合
“高斯过程” —使用高斯过程优先于函数
“凝聚” —单链接聚类算法
“DBSCAN” —带噪声应用的基于密度的空间聚类
“高斯混合” —混合使用高斯（正态）分布
“贾维斯·帕特里克” —贾维斯–Patrick聚类算法
“KMeans”（KMeans） — k-均值聚类算法
“KMedoids” —Medoid周围的分割
“MeanShift”（移动平均值） —均值漂移聚类算法
“邻里合同” —将数据点移向高密度区域
“生成树” —最小生成树–基于聚类的算法
“光谱” —光谱聚类算法
“应急表” —离散化数据并存储每个可能的概率
“决策树” —使用决策树
“高斯混合” —混合使用高斯（正态）分布
“内核密度估计” —使用核混合分布
“多正常” —使用多元正态（高斯）分布
“自动编码器” —使用可训练的自动编码器
“哈达玛” —使用哈达玛矩阵的项目数据
“Isomap”（同分图） —等轴测映射
“潜在语义分析” —潜在语义分析方法
“线性” —自动选择最佳线性方法
“LLE” —局部线性嵌套
“主要成分分析” —主成分分析法
“多维缩放” —度量多维缩放
“TSNE” — t吨-分布式随机邻居嵌入算法
“UMAP” —一致流形逼近与投影
