除了逻辑回归，还有哪些常用的分类算法？

除了逻辑回归，常用的分类算法还包括但不限于：

1. **决策树** (Decision Tree): 它基于树状结构，通过一系列条件判断来进行分类。有ID3、C4.5/CART等变种。

2. **随机森林** (Random Forest): 是由多个决策树组成的集成学习方法，每个树都是独立训练的，最终结果通过投票或平均得到。

3. **支持向量机** (Support Vector Machine, SVM): 通过找到最优超平面来分割数据，适用于高维空间中的分类问题。

4. **K近邻算法** (K-Nearest Neighbors, KNN): 根据样本间的距离进行分类，最近邻居的类别决定了新样本的归属。

5. **朴素贝叶斯** (Naive Bayes): 基于贝叶斯定理，假设特征之间相互独立，用于文本分类和垃圾邮件过滤等问题。

6. **神经网络** (特别是深度学习中的模型，如卷积神经网络CNN和循环神经网络RNN): 可以处理复杂的非线性关系，广泛应用于图像识别、自然语言处理等领域。

7. **梯度提升机** (Gradient Boosting Machines, GBM): 将弱分类器组合成强分类器，类似于决策树的堆叠。

每种算法都有其适用场景和优缺点，选择哪种取决于具体的问题特性、数据规模以及对解释性和效率的需求。