文档介绍：数据挖掘十大算法及经典案例一、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) 200 6年12 月评选出了数据挖掘领域的十大经典算法: , k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART 。不仅仅是选中的十大算法,其实参加评选的 18 种算法,实际上随便拿出一种来都可以称得上是经典算法,它们在数据挖掘领域都产生了极为深远的影响。(一) 算法是机器学****算法中的一种分类决策树算法, 其核心算法是 ID3 算法。算法继承了 ID3 算法的优点, 并在以下几方面对 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. 能够完成对连续属性的离散化处理; 4. 能够对不完整数据进行处理。算法有如下优点: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,需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。(二) The k-means algorithm 即 K-Means 算法 k-means algorithm 算法是一个聚类算法,把n 的对象根据他们的属性分为 k 个分割, k<n 。它与处理混合正态分布的最大期望算法很相似, 因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量,并且目标是使各个群组内部的均方误差总和最小。(三) 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 Burges 的《模式识别支持向量机指南》。 van der Walt 和 Barnard 将支持向量机和其他分类器进行了比较。(四) 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,所有支持度大于最小支持度的项集称为频繁项集,简称频集。(五) 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 ) 模型中寻找参数最大似然估计的算法,其中概率模型依赖于无法观测的隐藏变量( Latent Variabl )。最大期望经常用在机器学****和计算机视觉的数据集聚( Data Clustering )领域。(六) 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 创始人之一拉里· 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。 PageRan k 根据网站的外部链接和内部链接的数量和质量俩衡量网站的价值。 PageRank 背后的概念是, 每个到页面的链接都是对该页面的一次投票,被链接的越多,就意味着被其他网站投票越多。这个就是所谓的“链接流行度”——衡量多少人愿意将他们的网站和你的网站挂钩。 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, 一般判断这篇论文的权威性就越高。(七) 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,构成一个更强的最终分类器( 强分类器) 。其算法本身是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改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。(八) kNN: k-nearest neighbor classification K 最近邻(k-Nearest Neighbor , KNN) 分类算法, 是一个理论上比较成熟的方法,也是最简单