常见的分类算法包括：

1. 逻辑回归（Logistic Regression）：用于二分类问题，通过拟合一个逻辑函数来预测概率。

2. 决策树（Decision Tree）：通过一系列的判断条件来进行分类，可以处理离散和连续型特征。

3. 随机森林（Random Forest）：由多个决策树组成的集成学习算法，通过投票或平均预测结果来进行分类。

4. 支持向量机（Support Vector Machine，SVM）：通过在特征空间中找到一个最优的超平面来进行分类。

5. 朴素贝叶斯（Naive Bayes）：基于贝叶斯定理和特征之间的独立性假设，通过计算后验概率进行分类。

6. K近邻（K-Nearest Neighbors，KNN）：通过计算样本之间的距离，将新样本归类为最近邻居中最多的类别。

7. 神经网络（Neural Networks）：通过多个神经元和层次之间的连接来进行分类，可以处理复杂的非线性关系。

8. 梯度提升树（Gradient Boosting Tree）：通过串行训练多个决策树，并根据前一个决策树的残差来训练下一个决策树，从而进行分类。

9. XGBoost（eXtreme Gradient Boosting）：一种梯度提升树的优化算法，通过引入正则化和并行计算等技术来提高模型性能。

10. LightGBM：一种基于梯度提升树的算法，通过基于直方图的决策树算法和互斥特征捆绑等技术来提高训练和预测的效率。

这些分类算法在不同的问题和数据集上具有不同的优势和适用性，选择合适的算法需要根据具体情况进行评估和比较。