码迷,mamicode.com
首页 > 编程语言 > 详细

数据挖掘十大经典算法

时间:2018-08-07 22:23:00      阅读:152      评论:0      收藏:0      [点我收藏+]

标签:空间   knn   支持度   条件   数据挖掘   差距   通过   数据   剪枝   

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,其核心是ID3算法,c4.5算法继承了ID3算法的优点,并在一下几个放米娜对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)能够完成对不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、K-means算法

K-means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。它与处理混合正太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。他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综合最小。

3、SVM

支持向量机,英文为SVM,简称SV机。他是一种监督式的学习方法,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,在空间里建立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相互平行的超平面。分割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。

4、Apriori

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、EM算法

在统计计算中,最大期望算法是在概率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。最大期望经常用在机器学习和计算机视觉的数据集领域

6、PageRank

PageRank根据网站的外部链接和内部链接的数量和质量平衡网站的价值,PageRank背后的概念是,每个页面的链接都是对该页面的一次投票,被链接的越多,就意味这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。

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了器(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正确率,,来确定每个样本的权值。将修改过的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结果融合起来,作为最后的决策分类器。

8、KNN

K最近邻分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一。该算法的思路是:如果一个样本在特征空间中k个最相似的(即最近邻)样本中,大多数属于某一个类别,则该样本也属于这个类别。

9、朴素贝叶斯

在众多的分类模型中,应用最为管饭的两种分类模型是决策树模型和朴素贝叶斯模型。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。同时该模型所需要估计的参数很少,对缺失数据不太敏感。算法也比较简单。理论上,该模型与其他分类相比有最小的误差率。但是实际上并非如此,因为其假设特征条件相互独立,这个假设在实际中往往是不成立的。

10、CART:分类回归树

CART,在分类树下面的两个关键思想。第一个是关于递归的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。

 

数据挖掘十大经典算法

标签:空间   knn   支持度   条件   数据挖掘   差距   通过   数据   剪枝   

原文地址:https://www.cnblogs.com/zhibei/p/9439833.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!