數據挖掘入門算法整理

一、關聯

    關聯是指一個事件與另外一個事件之間的依賴關係。如經典的尿布與啤酒的關係。
    apriori算法是最經典的關聯規則算法，基本思想是：首先從事件中集中找到全部頻繁出現的子集。而後在這些子集中發現可信度較高的規則。

二、聚類

    聚類就是將對象劃分紅若干個類，在同一類中對象具備較高的類似度，不一樣類中對象差別較大。
    基於對象間距離能夠分爲兩類算法：劃分方法（Partitioning Method）和層次聚類方法（Hierarchial Method）。前者的思想是：迭代計算各點到類中心點距離，類內數據點越近越好，類間點越遠越好。後者思想是：將對象分層創建簇，造成一顆以簇爲節點的樹，自下而上的是彙集的層次聚類，自上而下的是分裂的層次聚類。

三、預測

    預測是經過對反映了事物輸入和輸出之間的關聯性的學習，獲得預測模型，再利用該模型對將來數據進行預測的過程。如機器學習的一個簡單模型：輸入數據爲（x1,y1）,(x2,y2)...(xn,yn)，經過輸入數據的學習，能夠獲得模型y=f(x,β)中的β，從而對於新數據咱們能夠經過x肯定y值。
    具體的預測算法有不少，各自的效果和實現自行百度吧。

四、序列和時間序列

    序列是指被排成一列的對象，即有序對象。而時間序列則是以時間來區隔的序列。因爲序列與關聯關係很密切，因此序列前邊的值極可能影響序列後邊的值，對於時間序列而言就和迴歸分析很像了。

    這裏列出的只是書中給出的，僅是一些比較有表明性的入門算法，實際每一個分類下還有不少算法或變種，好比預測中比較經常使用的還有鄰近法和樸素貝葉斯等，這裏再也不給出。此外本篇主要是給出這些算法概念，看了以後可能不知所云，因此若是真要深刻了解，就須要去查對應算法相關的資料了。