數(shù)據(jù)挖掘十大經(jīng)典算法-總結(jié)版資料

1、數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典(jngdin)算法初探數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探 - 結(jié)構(gòu)(jigu)之法 算法之道 - 博客頻道 - CSDN.NET譯者:July二零一一年一月十五日參考文獻：國際權(quán)威的學(xué)術(shù)組織ICDM，于06年12月年評選出的數(shù)據(jù)挖掘領(lǐng)域的十大經(jīng)典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART.共十三頁數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典(jngdin)算法初探C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Na

2、ive Bayes,CARTRough Sets（18）共十三頁數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典(jngdin)算法初探C4.5，是機器學(xué)習(xí)算法中的一個分類決策樹算法，ID3的改進算法。決策樹構(gòu)造方法其實就是每次選擇一個好的特征以及(yj)分裂點作為當(dāng)前節(jié)點的分類條件。C4.5相比于ID3改進的地方有：1、用信息增益率來選擇屬性。區(qū)別就在于一個是信息增益，一個是信息增益率。因此，C4.5克服了ID3用信息增益選擇屬性時偏向選擇取值多的屬性的不足。2、在樹構(gòu)造過程中進行剪枝，在構(gòu)造決策樹的時候，那些掛著幾個元素的節(jié)點，不考慮最好，不然容易導(dǎo)致overfitting。3、對非離散數(shù)據(jù)也能處理。4、能夠?qū)Σ煌暾?/p>

3、數(shù)據(jù)進行處理。C4.5共十三頁數(shù)據(jù)挖掘領(lǐng)域(ln y)十大經(jīng)典算法初探k-means algorithm算法是一個聚類算法，把n的對象根據(jù)他們的屬性分為k個分割(k 它與處理混合正態(tài)分布的最大期望算法很相似，因為他們都試圖找到數(shù)據(jù)中自然聚類的中心。它假設(shè)對象屬性來自(li z)于空間向量，并且目標(biāo)是使各個群組內(nèi)部的均方誤差總和最小。非監(jiān)督算法*K人為指定。（未必能得到最優(yōu)解）K-Means共十三頁數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典(jngdin)算法初探Support vector machines它是一種監(jiān)督式學(xué)習(xí)的方法，它廣泛的應(yīng)用于統(tǒng)計分類以及回歸分析中。支持向量機將向量映射到一個更高維的空間(kng

4、jin)里，在這個空間(kngjin)里建立有一個最大間隔超平面。在分開數(shù)據(jù)的超平面的兩邊建有兩個互相平行的超平面，分隔超平面使兩個平行超平面的距離最大化。假定平行超平面間的距離或差距越s大，分類器的總誤差越小。SVM共十三頁數(shù)據(jù)挖掘領(lǐng)域(ln y)十大經(jīng)典算法初探The Apriori algorithmApriori算法基本思想：統(tǒng)計多種商品一次購買(gumi)中共同出現(xiàn)的頻次，將不同的搭配轉(zhuǎn)換為不同的規(guī)則。其核心是基于兩階段頻集思想的遞推算法。用上一次掃描數(shù)據(jù)庫的結(jié)果產(chǎn)生本次的候選項目集，從而提升效率。The Apriori algorithm共十三頁數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典(jngdin)

5、算法初探在統(tǒng)計計算中，最大期望 （EM，ExpectationMaximization）算法是在概率（probabilistic）模型中尋找參數(shù)最大似然估計的算法，其中概率模型依賴于無法觀測的隱藏變量（Latent Variabl）。最大期望經(jīng)常用在機器(j q)學(xué)習(xí)和計算機視覺的數(shù)據(jù)集聚（Data Clustering）領(lǐng)域。EM共十三頁數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典(jngdin)算法初探PageRank是Google算法的重要內(nèi)容。2001年9月被授予美國(mi u)專利，專利人是Google創(chuàng)始人之一拉里佩奇（Larry Page）。PageRank根據(jù)網(wǎng)站的外部鏈接和內(nèi)部鏈接的數(shù)量和質(zhì)量，衡量

6、網(wǎng)站的價值。PageRank背后的概念是，每個到頁面的鏈接都是對該頁面的一次投票， 被鏈接的越多，就意味著被其他網(wǎng)站投票越多。PageRank這個概念引自學(xué)術(shù)中一篇論文的被引述的頻度即被別人引述的次數(shù)越多，一般判斷這篇論文的權(quán)威性就越高。HITSPageRank共十三頁數(shù)據(jù)挖掘領(lǐng)域(ln y)十大經(jīng)典算法初探Adaboost是一種迭代算法，其核心思想是針對同一個訓(xùn)練集訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個更強的最終分類器 (強分類器)。然后把這些弱分類器集合起來，構(gòu)成一個更強的最終分類器 (強分類器)。其算法本身是通過改變數(shù)據(jù)分布來實現(xiàn)的，它根據(jù)每次訓(xùn)練集之中每個樣

7、本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來確定每個樣本的權(quán)值。將修改過權(quán)值的新數(shù)據(jù)集送給下層分類器進行訓(xùn)練，最后將每次訓(xùn)練得到(d do)的分類器融合起來，作為最后的決策分類器。AdaBoost共十三頁數(shù)據(jù)挖掘領(lǐng)域(ln y)十大經(jīng)典算法初探 k-nearest neighbor classificationK最近鄰(k-Nearest Neighbor，KNN)分類算法，是一個理論上比較成熟的方法，也是最簡單的機器學(xué)習(xí)算法之一。該方法的思路是：如果一個樣本在特征空間中的k個最相似(即特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別。KNN有三個主要的核心元素：標(biāo)

8、記對象集合，對象之間的相似性度量或者距離度量，最近鄰居(ln j)個數(shù)K。非監(jiān)督。kNN: 共十三頁數(shù)據(jù)挖掘領(lǐng)域(ln y)十大經(jīng)典算法初探 Naive Bayes樸素貝葉斯模型發(fā)源于古典數(shù)學(xué)理論，有著堅實的數(shù)學(xué)基礎(chǔ)，以及穩(wěn)定的分類效率。同時，NBC模型所需估計的參數(shù)很少，對缺失數(shù)據(jù)不太敏感，算法也比較簡單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。但是實際上并非總是如此，這是因為NBC模型假設(shè)屬性之間相互(xingh)獨立，這個假設(shè)在實際應(yīng)用中往往是不成立的，這給NBC模型的正確分類帶來了一定影響。在屬性個數(shù)比較多或者屬性之間相關(guān)性較大時，NBC模型的分類效率比不上決策樹模型。而

9、在屬性相關(guān)性較小時，NBC模型的性能最為良好。Naive Bayes共十三頁數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典(jngdin)算法初探分類與回歸樹CART, Classification and Regression Trees。 在分類樹下面有兩個(lin )關(guān)鍵的思想：第一個是關(guān)于遞歸地劃分自變量空間的想法；第二個想法是用驗證數(shù)據(jù)進行剪枝。 CART: 共十三頁內(nèi)容摘要數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探。國際權(quán)威的學(xué)術(shù)組織ICDM，于06年12月年評選出的數(shù)據(jù)挖掘領(lǐng)域的十大經(jīng)典算法：。決策樹構(gòu)造方法其實就是(jish)每次選擇一個好的特征以及分裂點作為當(dāng)前節(jié)點的分類條件。它是一種監(jiān)督式學(xué)習(xí)的方法，它廣泛的應(yīng)用于統(tǒng)計分類以及回歸分析中。支持向量機將向量映射到一個更高維的空間里，在這個空間里建立有