十大经典数据挖掘算法

国际权威学术组织the IEEE International Conference on Data Mining (ICDM) 2006年12本月十大评选经典的数据挖掘算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART.

不不过选中的十大算法。事实上參加评选的18种算法，实际上随便拿出一种来都能够称得上是经典算法，它们在数据挖掘领域都产生了极为深远的影响。

 

1. C4.5

C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法.  C4.5算法继承了ID3算法的长处。并在下面几方面对ID3算法进行了改进：

1) 用信息增益率来选择属性。克服了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；
    3) 可以完毕对连续属性的离散化处理；
    4) 可以对不完整数据进行处理。

C4.5算法有例如以下长处：产生的分类规则易于理解，准确率较高。

其缺点是：在构造树的过程中。须要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。

 

2. The k-means algorithm 即K-Means算法

k-means algorithm算法是一个聚类算法。把n的对象依据他们的属性分为k个切割，k < n。

它与处理混合正态分布的最大期望算法非常类似，由于他们都试图找到数据中自然聚类的中心。它如果对象属性来自于空间向量，而且目标是使各个群组内部的均 方误差总和最小。

 

3. 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）。它是一种監督式學習的方法，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 将支持向量机和其它分类器进行了比較。

 

4. 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，全部支持度大于最小支持度的项集称为频繁项集，简称频集。

 

5. 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）模型中寻找參数最大似然 预计的算法，当中概率模型依赖于无法观測的隐藏变量（Latent Variabl）。

最大期望经经常使用在机器学习和计算机视觉的数据集聚（Data Clustering）领域。

 

6. 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创始人之中的一个拉里·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依据站点的外部链接和内部链接的数量和质量俩衡量站点的价值。PageRank背后的概念是，每一个到页面的链接都是对该页面的一次投票。 被链接的越多，就意味着被其它站点投票越多。

这个就是所谓的“链接流行度”——衡量多少人愿意将他们的站点和你的站点挂钩。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，一般推断这篇论文的权威性就越高。

 

7. 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，构成一个更强的终于分类器 (强分类器)。其算法本身是通过改变数据分布来实现的，它依据每次训练集之中每一个样本的分类是否正确。以及上次的整体分类的准确率。来确定每一个样本的权 值。

将改动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最后融合起来。作为最后的决策分类器。

 

8. kNN: k-nearest neighbor classification

K近期邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比較成熟的方法。也是最简单的机器学习算法之中的一个。该方法的思路是：假设一个样本在特征空间中的k个最类似(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。

 

9. 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。同一时候，NBC模型所需预计的參数非常少。对缺失数据不太敏感，算法也比較简单。理论上，NBC模型与其它分类方法相比具有最小的误差率。

可是实际上并不是总是如此。这是由于NBC模型如果属性之间相互独立。这个如果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 性个数比較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。

 

10. CART: 分类与回归树

CART, Classification and Regression Trees。

在分类树以下有两个关键的思想。第一个是关于递归地划子的参数空间的想法；第二思想是使用验证数据删减。

 

本文来源：http://blog.csdn.net/aladdina/

顶10从饲料网页搜索所有转载文章，百度百科最大的内容，一些来自中国的维基百科和其他网站。