數據挖掘三大方向迴歸、分類、聚類的區別及應用場景

讀完python數據分析與挖掘實戰，對於監督學習、非監督學習這兩個概念算是明白了，這裏總結下三個方向算法的優缺和使用場景

一、迴歸算法

迴歸算法是對一種數值型連續變量進行預測和建模的監督學習算法，運用在股票走勢，房價走勢預測上，每個樣本都有標註真值進行監督算法

1.1 線性迴歸

　　適用條件：線性迴歸的理解與解釋都十分直觀，在變量是非線性關係的時候表現不好

1.2 迴歸樹

1.3 深度學習

1.4 最近鄰算法

二、分類算法（監督學習）

對離散型隨機變量建模或預測的監督學習算法，運用在郵件過濾，金融欺詐等輸出爲分類的場景中

2.1 Logistic迴歸

　　適用條件：因變量通常只有1和0兩種取值（自變量是線性可分效果明顯）

2.2 決策樹

　　基於「分類討論、逐步細化」思想的分類模型，模型直觀，易解釋

2.3 svm

　　根據選擇不一樣的核函數，模型能夠是線性和非線性

2.4 隨機深林

　　精度比決策樹高，缺點是因爲隨機性，喪失了決策樹的可解釋性

2.5 樸素貝葉斯

2.6 神經網絡

2.7 深度學習

三、聚類

聚類是無監督學習，該算法基於數據的內部結構尋找觀察樣本的天然族羣（即集羣）。使用案例包括細分客戶、新聞聚類、文章推薦等。

3.1 K-Means聚類

　　將數據劃分爲預約的類數K，原理簡單便於處理大數據

3.2 K-中心聚類

3.3 系統聚類（多層次聚類）

 

記錄下三個方向經常使用的算法，只有最好的算法嗎，只有最適合的算法，算法的優化和調參，下次補充