数据挖掘中十大经典算法.pdf

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。 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。 C4.5 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。 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。 3. 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C.J.C 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。 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，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。 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习和计算机视觉的数据集聚（Data Clustering ）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。 PageRank 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。 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。 8. kNN: k-nearest neighbor classification K