1.貝葉斯定理:在已知條件概率和先驗概率的基礎上，通過計算後驗概率進行預測。常用於分類問題和決策分析。
2.回歸分析:通過建立因變量與自變量之間的線性或非線性關系，預測因變量的值。常用於預測連續變量。
3.時間序列分析:通過對歷史數據的統計分析，建立時間序列模型，預測未來趨勢和周期性變化。它通常用於預測時間序列數據，如股票價格和銷售量。
4.馬爾可夫鏈:基於狀態轉移概率矩陣，通過觀察當前狀態來預測下壹個狀態的概率。常用於離散事件模擬和預測。
5.隨機森林(Random forest):通過構建多個決策樹並投票或平均，對未知樣本進行分類或回歸。常用於分類和回歸問題。
6.隱馬爾可夫模型:通過觀察可觀測變量，可以推斷出隱藏狀態的概率分布。常用於語音識別、自然語言處理等領域。
7.神經網絡:通過構建多層神經網絡，通過訓練學習輸入和輸出之間復雜的映射關系。常用於分類、回歸和聚類問題。
8.支持向量機:通過尋找最優超平面，分離不同的樣本，使分類錯誤率最小化。常用於二分類和多分類問題。
這些概率模型在預測分析中應用廣泛，可以根據具體問題的特點選擇合適的模型進行預測。