數(shù)據(jù)挖掘十大經(jīng)典算法-總結(jié)版課件

《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探-結(jié)構(gòu)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(xiàn)：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,NaiveBayes,andCART.《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探1《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》C4.5,k-Means,SVM,Apriori,EM,PageRank,AdaBoost,kNN,NaiveBayes,CARTRoughSets（18）《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》C4.5,2《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》C4.5，是機(jī)器學(xué)習(xí)算法中的一個(gè)分類決策樹算法，ID3的改進(jìn)算法。決策樹構(gòu)造方法其實(shí)就是每次選擇一個(gè)好的特征以及分裂點(diǎn)作為當(dāng)前節(jié)點(diǎn)的分類條件。C4.5相比于ID3改進(jìn)的地方有：1、用信息增益率來選擇屬性。區(qū)別就在于一個(gè)是信息增益，一個(gè)是信息增益率。因此，C4.5克服了ID3用信息增益選擇屬性時(shí)偏向選擇取值多的屬性的不足。2、在樹構(gòu)造過程中進(jìn)行剪枝，在構(gòu)造決策樹的時(shí)候，那些掛著幾個(gè)元素的節(jié)點(diǎn)，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煌暾麛?shù)據(jù)進(jìn)行處理。C4.5《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》C4.5，是機(jī)器學(xué)習(xí)算法中的3《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》k-meansalgorithm算法是一個(gè)聚類算法，把n的對象根據(jù)他們的屬性分為k個(gè)分割(k<n>它與處理混合正態(tài)分布的最大期望算法很相似，因?yàn)樗麄兌荚噲D找到數(shù)據(jù)中自然聚類的中心。它假設(shè)對象屬性來自于空間向量，并且目標(biāo)是使各個(gè)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《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》k-meansalgori4《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》Supportvectormachines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(jì)分類以及回歸分析中。支持向量機(jī)將向量映射到一個(gè)更高維的空間里，在這個(gè)空間里建立有一個(gè)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(gè)互相平行的超平面，分隔超平面使兩個(gè)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《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》Supportvector5《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》TheApriorialgorithmApriori算法基本思想：統(tǒng)計(jì)多種商品一次購買中共同出現(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(xiàng)目集，從而提升效率。TheApriorialgorithm《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》TheApriorial6《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》在統(tǒng)計(jì)計(jì)算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中尋找參數(shù)最大似然估計(jì)的算法，其中概率模型依賴于無法觀測的隱藏變量（LatentVariabl）。最大期望經(jīng)常用在機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺的數(shù)據(jù)集聚（DataClustering）領(lǐng)域。EM《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》在統(tǒng)計(jì)計(jì)算中，最大期望（E7《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》PageRank是Google算法的重要內(nèi)容。2001年9月被授予美國專利，專利人是Google創(chuàng)始人之一拉里?佩奇（LarryPage）。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，衡量網(wǎng)站的價(jià)值。PageRank背后的概念是，每個(gè)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(gè)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《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》PageRank是Googl8《數(shù)據(jù)挖掘領(lǐng)域十大經(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(gè)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(gè)更強(qiáng)的最終分類器(強(qiáng)分類器)。然后把這些弱分類器集合起來，構(gòu)成一個(gè)更強(qiáng)的最終分類器(強(qiáng)分類器)。其算法本身是通過改變數(shù)據(jù)分布來實(shí)現(xiàn)的，它根據(jù)每次訓(xùn)練集之中每個(gè)樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來確定每個(gè)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(jìn)行訓(xùn)練，最后將每次訓(xùn)練得到的分類器融合起來，作為最后的決策分類器。AdaBoost《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》Adaboost是一種迭代算9《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》k-nearestneighborclassificationK最近鄰(k-NearestNeighbor，KNN)分類算法，是一個(gè)理論上比較成熟的方法，也是最簡單的機(jī)器學(xué)習(xí)算法之一。該方法的思路是：如果一個(gè)樣本在特征空間中的k個(gè)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(gè)類別，則該樣本也屬于這個(gè)類別。KNN有三個(gè)主要的核心元素：標(biāo)記對象集合，對象之間的相似性度量或者距離度量，最近鄰居個(gè)數(shù)K。

非監(jiān)督。kNN:《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》k-nearestnei10《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》NaiveBayes樸素貝葉斯模型發(fā)源于古典數(shù)學(xué)理論，有著堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，以及穩(wěn)定的分類效率。同時(shí)，NBC模型所需估計(jì)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(shí)際上并非總是如此，這是因?yàn)镹BC模型假設(shè)屬性之間相互獨(dú)立，這個(gè)假設(shè)在實(shí)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(gè)數(shù)比較多或者屬性之間相關(guān)性較大時(shí)，NBC模型的分類效率比不上決策樹模型。而在屬性相關(guān)性較小時(shí)，NBC模型的性能最為良好。NaiveBayes《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》NaiveBayesNa11《數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法初探》分