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：算法是機器學習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，并在以下幾方面對ID3算法進行了改進：

1) 用信息增益率來選擇屬性，克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足；

2) 在樹構造過程中進行剪枝；

3) 能夠完成對連續(xù)屬性的離散化處理；

4) 能夠對不完整數(shù)據(jù)進行處理。

C4.5算法有如下優(yōu)點：產(chǎn)生的分類規(guī)則易于理解，準確率較高。其缺點是：在構造樹的過程中，需要對數(shù)據(jù)集進行多次的順序掃描和排序，因而導致算法的低效。

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

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

（4）KNN： K最近鄰(k-Nearest  Neighbor，KNN)分類算法，是一個理論上比較成熟的方法，也是最簡單的機器學習算法之一。

該方法的思路是：如果一個樣本在特征空間中的k個最相似(即特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別。

（5）Adaboost: 在懸鏈中簡歷一個聯(lián)合分類模型，boost  提升的意思，所以adaboost是個構建分類模型器的提升算法，它可以讓多個弱的分類器組成一個強的分類器。

（6）CART： CART戴表分類和回歸樹，Classification and Regression Trees.  構建了兩棵樹，一顆分類樹，一個回歸樹，是一個決策樹學習算法。

（7）Apriori是一個挖掘關聯(lián)規(guī)則(association  rules)的算法，通過挖掘頻繁頂集(frequent item  sets)來解釋物品之間的關聯(lián)關系，被廣泛應用于商業(yè)挖掘和網(wǎng)絡安全領域中，頻繁項集是一個指經(jīng)常出現(xiàn)在一起的物品集合，關聯(lián)規(guī)則按時著兩種物品之間可能存在很強的關系。

（8）K-Means：k-means  algorithm算法是一個聚類算法，把n的對象根據(jù)他們的屬性分為k個分割，k <  n。它與處理混合正態(tài)分布的最大期望算法很相似，因為他們都試圖找到數(shù)據(jù)中自然聚類的中心。它假設對象屬性來自于空間向量，并且目標是使各個群組內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)的最大似然估計的一種算法，原理是這樣的：假設我們想要評估參數(shù)A和參數(shù)B，在開始狀態(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，反過來知道了B的也就得到A的，可以考慮首先賦予A某個初值，以此得到B的估值，然后從B的估值出發(fā)，重新估計A的取值，這個過程一直持續(xù)到收斂未知。推薦了解，黑馬程序員大數(shù)據(jù)培訓課程。

（10）PageRank: 起源于論文的影響力的計算方式，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，PageRank被Google創(chuàng)造性地應用到了網(wǎng)頁權重的計算中，當一個頁面鏈接的頁面越多，說明這個頁面的‘參考文獻’越多，當這個頁面被鏈入的頻率越高，說明這個頁面的引用次數(shù)越高，基于這個原理，我們可以得到網(wǎng)站的權重劃分。