统计学习可以根据不同的标准进行分类，以下是几种主要的分类方法：

根据是否有监督信息分类

监督学习：从标注数据中学习预测模型的机器学习问题。其本质是学习输入到输出的映射的统计规律。监督学习可以进一步分为分类问题和回归问题。常见的监督学习算法包括线性回归、逻辑回归、支持向量机、决策树、神经网络等。

无监督学习：从无标注数据中学习预测模型的机器学习问题。其本质是学习数据中的统计规律或数据结构。常见的无监督学习算法包括聚类算法（如K-means聚类）、降维技术（如PCA主成分分析）等。

半监督学习：介于监督学习和无监督学习之间，所学习的数据只含有少量标注信息，大多数没有。这种方法利用少量的标注数据和大量的未标注数据进行学习，以提高学习效率和效果。

强化学习：通过与环境互动来学习最优行为策略的机器学习问题。强化学习算法会在每个时间步根据当前状态采取行动，并从环境中获得奖励或惩罚，从而调整其行为策略。

根据模型种类分类

概率模型与非概率模型：根据模型是否基于概率进行建模。

线性模型与非线性模型：根据函数关系是线性还是非线性进行分类。

参数化模型和非参数化模型：根据模型参数的维度是否固定进行分类。

根据算法分类

在线学习：每次接受一个样本进行预测，之后学习模型，并不断重复该操作。在线学习可以是监督学习也可以是无监督学习，强化学习本身就拥有在线学习的特点。

批量学习：一次接受所有数据，学习模型，之后进行预测。

根据应用领域分类

数理统计：偏重统计理论探索，相关课程多为公式推导和理论分析。

行为统计：比较简单的应用型统计学，主要是描述统计。

经济统计：应用统计学于经济领域。

社会统计：应用统计学于社会领域。

这些分类方法并不是互斥的，一个统计学习方法可能同时属于多个分类。例如，支持向量机既是一种监督学习算法，也可以用于分类问题。