依据《统计学习方法》（第2版）中的介绍，统计学习方法可以从多个角度进行分类，一般包括监督学习、无监督学习、强化学习，有时还包括半监督学习、主动学习。另外从模型、算法和技巧三个方面可以对各种统计学习方法进行更加具体的细分。
一、按模型分类
| 概率/非概率模型 | 线性/非线性模型 | 参数化/非参数化模型 | |
|---|---|---|---|
| 决策树 | Y | N | |
| 朴素贝叶斯 | Y | Y | |
| 隐马尔科夫模型 | Y | ||
| 条件随机场 | Y | ||
| 概率潜在语义分析 | Y | N | |
| 潜在狄利克雷分配 | Y | N | |
| 高斯混合模型 | Y | Y | |
| 感知机 | N | Y | Y |
| 线性支持向量机 | N | Y | N |
| 核函数支持向量机 | N | N | N |
| k近邻 | N | Y | N |
| AdaBoost | N | N | N |
| k均值 | N | Y | Y |
| 潜在语义分析 | N | Y | N |
| 神经网络 | N | N | |
| 逻辑斯谛回归 | Both | Y |
二、按算法分类
（1）在线学习：每次接受一个样本，进行预测，之后学习模型，并不断重复。
（2）批量学习：一次接受所有数据，学习模型，之后进行预测。
三、按技巧分类
（1）贝叶斯学习：在概率模型的学习和推理中，利用贝叶斯定理，计算在给定数据条件下模型的条件概率，即后验概率，并应用这个原理进行模型的估计，以及对数据的预测。
例：朴素贝叶斯、潜在狄利克雷分配
（2）核方法：使用核函数表示和学习非线性模型。
例：核函数支持向量机、核PCA（主成分分析）、核k均值