數據挖掘十大經典算法

國際權威的學術組織the IEEE International Conference on Data Mining (ICDM) 2006年12月評選出了數據挖掘領域的十大經典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART.

不只僅是選中的十大算法，其實參加評選的18種算法，實際上隨便拿出一種來均可以稱得上是經典算法，它們在數據挖掘領域都產生了極爲深遠的影響。

1.C4.5

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算法的優勢，並在如下幾方面對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) 在樹構造過程當中進行剪枝；

3) 可以完成對連續屬性的離散化處理；

4) 可以對不完整數據進行處理。

C4.5算法有以下優勢：產生的分類規則易於理解，準確率較高。其缺點是：在構造樹的過程當中，須要對數據集進行屢次的順序掃描和排序，於是致使算法的低效。

2. The k-means algorithm 即K-Means算法

k-means algorithm算法是一個聚類算法，把n的對象根據他們的屬性分爲k個分割，k < n。它與處理混合正態分佈的最大指望算法很類似，由於他們都試圖找到數據中天然聚類的中心。它假設對象屬性來自於空間向量，而且目標是使各個羣組內部的均方偏差總和最小。

3. Support vector machines

支持向量機，英文爲Support Vector Machine，簡稱SV機（論文中通常簡稱SVM）。它是一種監督式學習的方法，它普遍的應用於統計分類以及迴歸分析中。支持向量機將向量映射到一個更高維的空間裏，在這個空間裏創建有一個最大間隔超平面。在分開數據的超平面的兩邊建有兩個互相平行的超平面。分隔超平面使兩個平行超平面的距離最大化。假定平行超平面間的距離或差距越大，分類器的總偏差越小。一個極好的指南是C.J.C Burges的《模式識別支持向量機指南》。van der Walt 和 Barnard 將支持向量機和其餘分類器進行了比較。

4. The Apriori algorithm

Apriori算法是一種最有影響的挖掘布爾關聯規則頻繁項集的算法。其核心是基於兩階段頻集思想的遞推算法。該關聯規則在分類上屬於單維、單層、布爾關聯規則。在這裏，全部支持度大於最小支持度的項集稱爲頻繁項集，簡稱頻集。 

5. 最大指望(EM)算法

在統計計算中，最大指望（EM，Expectation–Maximization）算法是在機率（probabilistic）模型中尋找參數最大似然估計的算法，其中機率模型依賴於沒法觀測的隱藏變量（Latent Variabl）。最大指望常常用在機器學習和計算機視覺的數據集聚（Data Clustering）領域。

6. PageRank

PageRank是Google算法的重要內容。2001年9月被授予美國專利，專利人是Google創始人之一拉里·佩奇（Larry Page）。所以，PageRank裏的page不是指網頁，而是指佩奇，即這個等級方法是以佩奇來命名的。

PageRank根據網站的外部連接和內部連接的數量和質量倆衡量網站的價值。PageRank背後的概念是，每一個到頁面的連接都是對該頁面的一次投票，被連接的越多，就意味着被其餘網站投票越多。這個就是所謂的「連接流行度」——衡量多少人願意將他們的網站和你的網站掛鉤。PageRank這個概念引自學術中一篇論文的被引述的頻度——即被別人引述的次數越多，通常判斷這篇論文的權威性就越高。

7. AdaBoost

Adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不一樣的分類器(弱分類器)，而後把這些弱分類器集合起來，構成一個更強的最終分類器 (強分類器)。其算法自己是經過改變數據分佈來實現的，它根據每次訓練集之中每一個樣本的分類是否正確，以及上次的整體分類的準確率，來肯定每一個樣本的權值。將修改過權值的新數據集送給下層分類器進行訓練，最後將每次訓練獲得的分類器最後融合起來，做爲最後的決策分類器。

8. kNN: k-nearest neighbor classification

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：若是一個樣本在特徵空間中的k個最類似(即特徵空間中最鄰近)的樣本中的大多數屬於某一個類別，則該樣本也屬於這個類別。 

9. Naive Bayes

在衆多的分類模型中，應用最爲普遍的兩種分類模型是決策樹模型(Decision Tree Model)和樸素貝葉斯模型（Naive Bayesian Model，NBC）。樸素貝葉斯模型發源於古典數學理論，有着堅實的數學基礎，以及穩定的分類效率。同時，NBC模型所需估計的參數不多，對缺失數據不太敏感，算法也比較簡單。理論上，NBC模型與其餘分類方法相比具備最小的偏差率。可是實際上並不是老是如此，這是由於NBC模型假設屬性之間相互獨立，這個假設在實際應用中每每是不成立的，這給NBC模型的正確分類帶來了必定影響。在屬性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型。而在屬性相關性較小時，NBC模型的性能最爲良好。

10. CART: 分類與迴歸樹

CART, Classification and Regression Trees。 在分類樹下面有兩個關鍵的思想。第一個是關於遞歸地劃分自變量空間的想法；第二個想法是用驗證數據進行剪枝。