數(shù)據(jù)挖掘十大經(jīng)典算法，想從事數(shù)據(jù)挖掘就不得不看

（1）C4.5：算法是機(jī)器學(xué)習(xí)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算法的優(yōu)點(diǎn)，并在以下幾方面對(duì)ID3算法進(jìn)行了改進(jìn)：

1) 用信息增益率來(lái)選擇屬性，克服了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(guò)程中進(jìn)行剪枝；

3) 能夠完成對(duì)連續(xù)屬性的離散化處理；

4) 能夠?qū)Σ煌暾麛?shù)據(jù)進(jìn)行處理。

C4.5算法有如下優(yōu)點(diǎn)：產(chǎn)生的分類規(guī)則易于理解，準(zhǔn)確率較高。其缺點(diǎn)是：在構(gòu)造樹的過(guò)程中，需要對(duì)數(shù)據(jù)集進(jìn)行多次的順序掃描和排序，因而導(dǎo)致算法的低效。

（2）樸素貝葉斯(naive bayes):  樸素貝葉斯是給予概率論的原理，它的思想是對(duì)于給出的未知無(wú)題要進(jìn)行分類，需要求解在這個(gè)未知物體出現(xiàn)的條件下各個(gè)類別出現(xiàn)的概率，找最大概率那個(gè)分類，數(shù)據(jù)更新影響思想。

（3）SVM：中文叫支持向量機(jī)：Support Vector Machine,SVM  在訓(xùn)練中簡(jiǎn)歷了一個(gè)超平面的分類模型。

（4）KNN： K最近鄰(k-Nearest  Neighbor，KNN)分類算法，是一個(gè)理論上比較成熟的方法，也是最簡(jiǎn)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。

（5）Adaboost: 在懸鏈中簡(jiǎn)歷一個(gè)聯(lián)合分類模型，boost  提升的意思，所以adaboost是個(gè)構(gòu)建分類模型器的提升算法，它可以讓多個(gè)弱的分類器組成一個(gè)強(qiáng)的分類器。

（6）CART： CART戴表分類和回歸樹，Classification and Regression Trees.  構(gòu)建了兩棵樹，一顆分類樹，一個(gè)回歸樹，是一個(gè)決策樹學(xué)習(xí)算法。

（7）Apriori是一個(gè)挖掘關(guān)聯(lián)規(guī)則(association  rules)的算法，通過(guò)挖掘頻繁頂集(frequent item  sets)來(lái)解釋物品之間的關(guān)聯(lián)關(guān)系，被廣泛應(yīng)用于商業(yè)挖掘和網(wǎng)絡(luò)安全領(lǐng)域中，頻繁項(xiàng)集是一個(gè)指經(jīng)常出現(xiàn)在一起的物品集合，關(guān)聯(lián)規(guī)則按時(shí)著兩種物品之間可能存在很強(qiáng)的關(guān)系。

（8）K-Means：k-means  algorithm算法是一個(gè)聚類算法，把n的對(duì)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(duì)象屬性來(lái)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。

（9）EM: EM算法也叫最大期望算法，是求參數(shù)的最大似然估計(jì)的一種算法，原理是這樣的：假設(shè)我們想要評(píng)估參數(shù)A和參數(shù)B，在開(kāi)始狀態(tài)下二者都是未知的，并且知道了A的信息就可以得到B的信息，反過(guò)來(lái)知道了B的也就得到A的，可以考慮首先賦予A某個(gè)初值，以此得到B的估值，然后從B的估值出發(fā)，重新估計(jì)A的取值，這個(gè)過(guò)程一直持續(xù)到收斂未知。推薦了解，黑馬程序員大數(shù)據(jù)培訓(xùn)課程。

（10）PageRank: 起源于論文的影響力的計(jì)算方式，如果一篇論文被引入次數(shù)越多，就代表這篇論文的影響力越強(qiáng)，PageRank被Google創(chuàng)造性地應(yīng)用到了網(wǎng)頁(yè)權(quán)重的計(jì)算中，當(dāng)一個(gè)頁(yè)面鏈接的頁(yè)面越多，說(shuō)明這個(gè)頁(yè)面的‘參考文獻(xiàn)’越多，當(dāng)這個(gè)頁(yè)面被鏈入的頻率越高，說(shuō)明這個(gè)頁(yè)面的引用次數(shù)越高，基于這個(gè)原理，我們可以得到網(wǎng)站的權(quán)重劃分。