1.广义线性模型（是多数监督机器学习方法的基础，如逻辑回归和Tweedie回归）
2.时间序列方法（ARIMA ，SSA,基于机器学习的方法）
3.结构方程建模（针对潜变量之间关系进行建模）
4.因子分析（调查设计和验证的探索型分析）
5.功效分析/实验分析（特别是基于仿真的实验设计，以避免分析过度）
6.非参数检验（MCMC）
7.K均值聚类
8.贝叶斯方法（朴素贝叶斯、贝叶斯模型平均/Bayesian model averaging、贝叶斯适应型实验/Bayesian adaptive trials）
9.惩罚性回归模型（弹性网络/Elastic Net,LASSO,LARS），以及对通用模型（SVMXGboost等）加惩罚，这对于预测变量多与观测值的数据很有用，在基因组学和社会科学研究中较为常用。
10.样条模型/SPline-based models(MARS等)：主要用于流程建模。
11.马尔可夫链和随机过程（时间序列建模和预测建模的替代方法）
12.缺失数据插补方法及其假设（missFores,MICE）
13.生存分析/survival analysis(主要特点是考虑了每个观测出现某一结局的时间长短）
14.混合建模
15.统计推理和组群测试
建议读者根据自己所学领域重点学习面向特定领域的专用模型
##以上内容均来自《python 编程从数据分析到数据科学》