首页 > 代码库 > 数据挖掘十大经典算法

数据挖掘十大经典算法

国际权威的学术组织the IEEE International Conference on Data Mining (ICDM) 2006年12月评选出了数据挖掘领域的十大经典算法: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 VectorMachine,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 derWalt 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(DataClustering)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分自变量空间的想法;第二个想法是用验证数据进行剪枝。

 

本文来源:http://blog.csdn.net/aladdina/

上面的10篇文章的摘要来源所有转载自网络搜索,百度百科内容最多,少量来自中文维基百科以及其它网页。