如果有對大資料感興趣程式設計師，可來我們的大資料交流扣qun哦：591305687裡面免費送大資料的系統教程噢！ 小編也是一名從事了5年的資料演算法工程師，花了近兩個月整理了一份較適合當下學習的乾貨，以及我這5年的工作經驗，分享給每一位想學大資料的小夥伴，這裡是大資料學習者聚集地，歡迎初學和進階中的小夥伴。

一、C4.5

C4.5，是機器學習演算法中的一個分類決策樹演算法，它是決策樹(決策樹也就是做決策的節點間的組織方式像一棵樹，其實是一個倒樹)核心演算法ID3的改進演算法，所以基本上了解了一半決策樹構造方法就能構造它。決策樹構造方法其實就是每次選擇一個好的特徵以及分裂點作為當前節點的分類條件。

二、The k-means algorithm 即K-Means演算法

k-means algorithm演算法是一個聚類演算法，把n的物件根據他們的屬性分為k個分割(k < n)。它與處理混合正態分佈的最大期望演算法很相似，因為他們都試圖找到資料中自然聚類的中心。它假設物件屬性來自於空間向量，並且目標是使各個群組內部的均方誤差總和最小。

三、 Support vector machines

支援向量機，英文為Support Vector Machine，簡稱SV機。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迴歸分析中。支援向量機將向量對映到一個更高維的空間裡，在這個空間裡建立有一個最大間隔超平面。在分開資料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。

四、The Apriori algorithm

Apriori演算法是一種最有影響的挖掘布林關聯規則頻繁項集的演算法。

其核心是基於兩階段頻集思想的遞推演算法。該關聯規則在分類上屬於單維、單層、布林關聯規則。在這裡，所有支援度大於最小支援度的項集稱為頻繁項集，簡稱頻集。

五、最大期望(EM)演算法

在統計計算中，最大期望 （EM，Expectation–Maximization）演算法是在概率（probabilistic）模型中尋找引數最大似然估計的演算法，其中概率模型依賴於無法觀測的隱藏變數（Latent Variabl）。最大期望經常用在機器學習和計算機視覺的資料集聚（Data Clustering）領域。

六、 PageRank

PageRank是Google演算法的重要內容。2001年9月被授予美國專利，專利人是Google創始人之一拉里•佩奇（Larry Page）。因此，PageRank裡的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根據網站的外部連結和內部連結的數量和質量，衡量網站的價值。PageRank背後的概念是，每個到頁面的連結都是對該頁面的一次投票， 被連結的越多，就意味著被其他網站投票越多。

七、AdaBoost

Adaboost是一種迭代演算法，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，構成一個更強的最終分類器 (強分類器)。其演算法本身是通過改變資料分佈來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權值。將修改過權值的新資料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融合起來，作為最後的決策分類器。

八、 kNN: k-nearest neighbor classification

K最近鄰(k-Nearest Neighbor，KNN)分類演算法，是一個理論上比較成熟的方法，也是最簡單的機器學習演算法之一。該方法的思路是：如果一個樣本在特徵空間中的k個最相似(即特徵空間中最鄰近)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。

九、 Naive Bayes

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(Decision Tree Model)和樸素貝葉斯模型（Naive Bayesian Model，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。同時，NBC模型所需估計的引數很少，對缺失資料不太敏感，演算法也比較簡單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。

但是實際上並非總是如此，這是因為NBC模型假設屬性之間相互獨立，這個假設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模型的效能最為良好。

十、 CART: 分類與迴歸樹

CART, Classification and Regression Trees。 在分類樹下面有兩個關鍵的思想：第一個是關於遞迴地劃分自變數空間的想法；第二個想法是用驗證資料進行剪枝。