常见的分类算法包括以下几种：

  1. 逻辑回归（Logistic Regression）：虽然名字中有“回归”，但它实际上是一种用于二分类问题的线性模型，通过sigmoid函数将线性预测值映射到[0,1]范围内，从而进行分类。

  2. 决策树（Decision Tree）：根据一些特征进行分类，每个节点都会对应一个特征判定条件，根据这个特征值来决定进入哪个分支，直到达到叶子节点，也就是分类结果。

  3. 朴素贝叶斯（Naive Bayes）：假设特征之间相互独立，通过计算各个特征在各个类别下的条件概率，来判断样本属于哪个类别。

  4. K近邻（K-Nearest Neighbors，KNN）：对于一个新的样本，KNN会选择距离它最近的K个样本，然后依据这K个样本的类别来对新样本进行分类。

  5. 支持向量机（Support Vector Machine，SVM）：寻找一个最优的超平面，使得两个类别之间的间隔最大化，从而进行分类。

  6. 随机森林（Random Forest）：是集成学习的一个子类，它依靠于决策树的投票选择来决定最后的分类结果。

  7. 梯度提升树（Gradient Boosting Decision Trees，GBDT）：也是一种集成学习的方法，通过不断地添加新的决策树，并且每棵新树都试图纠正前一棵树的错误，从而达到更好的分类效果。

  8. 神经网络（Neural Networks）：包括深度学习和非深度学习，可以处理复杂的非线性问题，尤其适用于图像识别、语音识别等领域。

这些算法各有优缺点，在实际应用中需要根据问题的特点和数据的情况来选择合适的分类算法。