數據挖掘十大算法
大數據時代 數據挖掘十大經典算法
不不過選中的十大算法，事實上參加評選的18種算法。實際上隨便拿出一種來都能夠稱得上是經典算法，它們在數據挖掘領域都產生了極為深遠的影響。
1.C4.5
C4.5算法是機器學習算法中的一種分類決策樹算法,其核心算法是ID3算法.C4.5算法繼承了ID3算法的長處。並在下面幾方面對ID3算法進行了改進：
1)用信息增益率來選擇屬性。克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足；
2)在樹構造過程中進行剪枝；
3)可以完畢對連續屬性的離散化處理。
4)可以對不完整數據進行處理。
C4.5算法有例如以下長處：產生的分類規則易於理解，準確率較高。其缺點是：在構造樹的過程中。須要對數據集進行多次的順序掃描和排序，因而導致算法的低效。
2.Thek-meansalgorithm即K-Means算法
k-meansalgorithm算法是一個聚類算法，把n的對象依據他們的屬性分為k個切割，k 3.Supportvectormachines
支持向量機，英文為SupportVectorMachine，簡稱SV機（論文中一般簡稱SVM）。它是一種監督式學習的方法，它廣泛的應用於統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裏，在這個空間裏建立有一個最大間隔超平面。
在分開數據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大。分類器的總誤差越小。一個極好的指南是C.J.CBurges的《模式識別支持向量機指南》。vanderWalt和Barnard將支持向量機和其它分類器進行了比較。
4.TheApriorialgorithm
Apriori算法是一種最有影響的挖掘布爾關聯規則頻繁項集的算法。其核心是基於兩階段頻集思想的遞推算法。
該關聯規則在分類上屬於單維、單層、布爾關聯規則。
在這裏。全部支持度大於最小支持度的項集稱為頻繁項集，簡稱頻集。
5.最大期望(EM)算法
在統計計算中。最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中尋找參數最大似然預計的算法，當中概率模型依賴於無法觀測的隱藏變量（LatentVariabl）。
最大期望經經常使用在機器學習和計算機視覺的數據集聚（DataClustering）領域。
6.PageRank
PageRank是Google算法的重要內容。
2001年9月被授予美國專利，專利人是Google創始人之中的一個拉裏·佩奇（LarryPage）。因此，PageRank裏的page不是指網頁，而是指佩奇，即這個等級方法是以佩奇來命名的。
PageRank依據站點的外部鏈接和內部鏈接的數量和質量倆衡量站點的價值。
PageRank背後的概念是，每一個到頁面的鏈接都是對該頁面的一次投票，被鏈接的越多，就意味著被其它站點投票越多。這個就是所謂的“鏈接流行度”——衡量多少人願意將他們的站點和你的站點掛鉤。
PageRank這個概念引自學術中一篇論文的被引述的頻度——即被別人引述的次數越多，一般推斷這篇論文的權威性就越高。
7.AdaBoost
Adaboost是一種叠代算法。其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然後把這些弱分類器集合起來。構成一個更強的終於分類器(強分類器)。其算法本身是通過改變數據分布來實現的，它依據每次訓練集之中每一個樣本的分類是否正確，以及上次的整體分類的準確率，來確定每一個樣本的權值。將改動過權值的新數據集送給下層分類器進行訓練。最後將每次訓練得到的分類器最後融合起來，作為最後的決策分類器。
8.kNN:k-nearestneighborclassification
K近期鄰(k-NearestNeighbor，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習算法之中的一個。
該方法的思路是：假設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)的樣本中的大多數屬於某一個類別。則該樣本也屬於這個類別。
9.NaiveBayes
在眾多的分類模型中，應用最為廣泛的兩種分類模型是決策樹模型(DecisionTreeModel)和樸素貝葉斯模型（NaiveBayesianModel，NBC）。樸素貝葉斯模型發源於古典數學理論，有著堅實的數學基礎，以及穩定的分類效率。同一時候，NBC模型所需預計的參數非常少。對缺失數據不太敏感，算法也比較簡單。理論上。NBC模型與其它分類方法相比具有最小的誤差率。
可是實際上並不是總是如此，這是由於NBC模型如果屬性之間相互獨立，這個如果在實際應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。在屬性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型。
而在屬性相關性較小時。NBC模型的性能最為良好。
10.CART:分類與回歸樹
CART,ClassificationandRegressionTrees。在分類樹以下有兩個關鍵的思想。第一個是關於遞歸地劃分自變量空間的想法；第二個想法是用驗證數據進行剪枝。
數據挖掘十大算法