大数据算法 十大经典算法

一、 CART: 分类与回归树

              CART, Classification and Regression Trees。

      在分类树下面有两个关键的思想：第一个 是关于递归地划分自变量空间的想法；第二个想法是用验证数据进行剪枝。

 

二、The k-means algorithm 即K-Means算法

              k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割(k < n)。

        它与处理混合正态分布的最大期望算法(本十大算法第五条)很相似，因为他们都试图找到数据中自然聚类的中心。

        它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。

 

三、 Support vector machines

               支持向量机，英文为Support Vector Machine，简称SV机（论文中一般简称SVM）。

               它是一种监督式学习的方法，它广泛的应用于统计分类以及回归分析中。支持向量机将向量映射到一个更高维的空间             里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面，分隔超平面使两             个平行超平面的距离最大化。 假定平行超平面间的距离或差距越大，分类器的总误差越小。一个极好的指南是C.J.C                     Burges的《模式识别支持向量机指南》。van der Walt 和 Barnard 将支持向量机和其他分类器进行了比较。

 

四、The Apriori algorithm

              Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规          则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。

 

五、最大期望(EM)算法

              在统计计算中，最大期望 （EM，Expectation–Maximization）算法是在概率（probabilistic）模型中寻找参数最大似然            估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variabl）。最大期望经常用在机器学习和计算机视觉的数            据集聚（Data Clustering）领域。

 

六、 PageRank

             PageRank是Google算法的重要内容。2001年9月被授予美国专利，专利人是Google创始人之一拉里•佩奇（Larry                     Page）。因此，PageRank里的page不是指网页，而是指佩奇，即这个等级方法是以佩奇来命名的。PageRank根据网站             的外部链接和内部链接的数量和质量，衡量网站的价值。PageRank背后的概念是，每个到页面的链接都是对该页面的一次           投票，被链接的越多，就意味着被其他网站投票越多。这个就是所谓的“链接流行度”——衡量多少人愿意将他们的网站和你           的网站挂钩。PageRank这个概念引自学术中一篇论文的被引述的频度——即被别人引述的次数越多，一般判断这篇论文的          权威性就越高。

 

七、AdaBoost

            Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起           来，构成一个更强的最终分类器 (强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的          分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训            练，最后将每次训练得到的分类器融合起来，作为最后的决策分类器。

 

八、 kNN: k-nearest neighbor classification

                K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。

         该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该           样本也属于这个类别。

 

九、 Naive Bayes

               在众多的分类模型中，应用最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive               Bayesian Model，NBC）。 朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，               NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小           的误差率。但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立               的，这给NBC模型的正确分类带来了一定影响。在属性个数比较多或者属性之间相关性较大时，NBC模型的分类效率比不           上决策树模型。而在属性相关性较小时，NBC模型的性能最为良好。

十、C4.5

               C4.5，是机器学习算法中的一个分类决策树算法，它是决策树(决策树也就是做决策的节点间的组织方式像一棵树，其            实是一个倒树)核心算法ID3的改进算法，所以基本上了解了一半决策树构造方法就能构造它。决策树构造方法其实就是每次           选择一个好的特征以及分裂点作为当前节点的分类条件。

               C4.5相比于ID3改进的地方有：

         1、用信息增益率来选择属性。

               ID3选择属性用的是子树的信息增益，这里可以用很多方法来定义信息，ID3使用的是熵(entropy，熵是一种不纯度度量            准则),也就是熵的变化值.

               而C4.5用的是信息增益率。对，区别就在于一个是信息增益，一个是信息增益率。一般来说率就是用来取平衡用的，               就像方差起的作用差不多，比如有两个跑步的人，一个起点是10m/s的人、其10s后为20m/s；另一个人起速是1m/s、其              1s后为2m/s。

                如果紧紧算差值那么两个差距就很大了，如果使用速度增加率(加速度，即都是为1m/s^2)来衡量，2个人就是一样的加             速度。因此，C4.5克服了ID3用信息增益选择属性时偏向选择取值多的属性的不足。

            2、在树构造过程中进行剪枝，在构造决策树的时候，那些挂着几个元素的节点，不考虑最好，不然容易导致overfitting。

            3、对非离散数据也能处理。

            4、能够对不完整数据进行处理。