初探數據挖掘中的十大經典算法
以下就是從參加評選的18種候選算法中，最終決選出來的十大經典算法：
一、C4.5
C4.5，是機器學習算法中的一個分類決策樹算法，它是決策樹(決策樹也就是做決策的節點間的組織方式像一棵樹，其實是一個倒樹)核心算法ID3的改進算法，所以基本上了解了一半決策樹構造方法就能構造它。決策樹構造方法其實就是每次選擇一個好的特征以及分裂點作為當前節點的分類條件。
C4.5相比于ID3改進的地方有：
1、用信息增益率來選擇屬性。
ID3選擇屬性用的是子樹的信息增益，這里可以用很多方法來定義信息，ID3使用的是熵(entropy，熵是一種不純度度量準則)，也就是熵的變化值。而C4.5用的是信息增益率。對，區別就在于一個是信息增益，一個是信息增益率。一般來說率就是用來取平衡用的，就像方差起的作用差不多，比如有兩個跑步的人，一個起點是10m/s的人、其10s后為20m/s；另一個人起速是1m/s、其1s后為2m/s。
如果緊緊算差值那么兩個差距就很大了，如果使用速度增加率(加速度，即都是為1m/s^2)來衡量，2個人就是一樣的加速度。因此，C4.5克服了ID3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，在構造決策樹的時候，那些掛著幾個元素的節點，不考慮最好，不然容易導致overfitting。
3、對非離散數據也能處理。
4、能夠對不完整數據進行處理。
二、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為k個分割(k < n)。它與處理混合正態分布的最大期望算法(本十大算法第五條)很相似，因為他們都試圖找到數據中自然聚類的中心。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。
三、 Support vector machines
支持向量機，英文為Support Vector Machine，簡稱SV機(論文中一般簡稱SVM)。它是一種監督式學習的方法，它廣泛的應用于統計分類以及回歸分析中。支持向量機將向量映射到一個更高維的空間里，在這個空間里建立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，分類器的總誤差越小。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 將支持向量機和其他分類器進行了比較。
四、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。其核心是基于兩階段頻集思想的遞推算法。該關聯規則在分類上屬于單維、單層、布爾關聯規則。在這里，所有支持度大于最小支持度的項集稱為頻繁項集，簡稱頻集。
五、最大期望(EM)算法
在統計計算中，最大期望 (EM，Expectation–Maximization)算法是在概率(probabilistic)模型中尋找參數最大似然估計的算法，其中概率模型依賴于無法觀測的隱藏變量(Latent Variabl)。最大期望經常用在機器學習和計算機視覺的數據集聚(Data Clustering)領域。
六、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)。因此，PageRank里的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根據網站的外部鏈接和內部鏈接的數量和質量，衡量網站的價值。PageRank背后的概念是，每個到頁面的鏈接都是對該頁面的一次投票， 被鏈接的越多，就意味著被其他網站投票越多。
這個就是所謂的“鏈接流行度”——衡量多少人愿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，一般判斷這篇論文的權威性就越高。
七、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同的分類器(弱分類器)，然后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)。其算法本身是通過改變數據分布來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權值。
將修改過權值的新數據集送給下層分類器進行訓練，最后將每次訓練得到的分類器融合起來，作為最后的決策分類器。
八、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：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)的樣本中的大多數屬于某一個類別，則該樣本也屬于這個類別。
九、Naive Bayes
在眾多的分類模型中，應用最為廣泛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于古典數學理論，有著堅實的數學基礎，以及穩定的分類效率。同時，NBC模型所需估計的參數很少，對缺失數據不太敏感，算法也比較簡單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。但是實際上并非總是如此，這是因為NBC模型假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的，這給NBC模型的正確分類帶來了一定影響。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模型的性能最為良好。
十、CART: 分類與回歸樹
CART, Classification and Regression Trees。 在分類樹下面有兩個關鍵的思想：第一個是關于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。ok，日后擇其一二詳細研究、闡述，完。
至于18種候選算法，可參考這里：http://www.cs.uvm.edu/~icdm/algorithms/CandidateList.shtml
【編輯推薦】
