18大經典資料探勘演算法小結

本文所有涉及到的資料探勘**的都放在了我的github上了。

大概花了將近2個月的時間，自己把18大資料探勘的經典演算法進行了學習並且進行了**實現，涉及到了決策分類，聚類，鏈結挖掘，關聯挖掘，模式挖掘等等方面。也算是對資料探勘領域的小小入門了吧。下面就做個小小的總結，後面都是我自己相應演算法的博文鏈結，希望能夠幫助大家學習。

1.c4.5演算法。c4.5演算法與id3演算法一樣，都是數學分類演算法，c4.5演算法是id3演算法的乙個改進。id3演算法採用資訊增益進行決策判斷，而c4.5採用的是增益率。

2.cart演算法。cart演算法的全稱是分類回歸樹演算法，他是乙個二元分類，採用的是類似於熵的基尼指數作為分類決策，形成決策樹後之後還要進行剪枝，我自己在實現整個演算法的時候採用的是代價複雜度演算法，

3.knn(k最近鄰)演算法。給定一些已經訓練好的資料，輸入乙個新的測試資料點，計算包含於此測試資料點的最近的點的分類情況，哪個分類的型別占多數，則此測試點的分類與此相同，所以在這裡,有的時候可以複製不同的分類點不同的權重。近的點的權重大點，遠的點自然就小點。

4.***** bayes(樸素貝葉斯)演算法。樸素貝葉斯演算法是貝葉斯演算法裡面一種比較簡單的分類演算法，用到了乙個比較重要的貝葉斯定理，用一句簡單的話概括就是條件概率的相互轉換推導。

5.svm(支援向量機)演算法。支援向量機演算法是一種對線性和非線性資料進行分類的方法，非線性資料進行分類的時候可以通過核函式轉為線性的情況再處理。其中的乙個關鍵的步驟是搜尋最大邊緣超平面。

6.em(期望最大化)演算法。期望最大化演算法，可以拆分為2個演算法，1個e-step期望化步驟,和1個m-step最大化步驟。他是一種演算法框架，在每次計算結果之後，逼近統計模型引數的最大似然或最大後驗估計。

7.apriori演算法。apriori演算法是關聯規則挖掘演算法，通過連線和剪枝運算挖掘出頻繁項集，然後根據頻繁項集得到關聯規則，關聯規則的匯出需要滿足最小置信度的要求。

8.fp-tree(頻繁模式樹)演算法。這個演算法也有被稱為fp-growth演算法，這個演算法克服了apriori演算法的產生過多侯選集的缺點，通過遞迴的產生頻度模式樹，然後對樹進行挖掘，後面的過程與apriori演算法一致。

9.pagerank(網頁重要性/排名)演算法。pagerank演算法最早產生於google,核心思想是通過網頁的入鏈數作為乙個網頁好快的判定標準，如果1個網頁內部包含了多個指向外部的鏈結，則pr值將會被均分，pagerank演算法也會遭到link span攻擊。

10.hits演算法。hits演算法是另外乙個鏈結演算法，部分原理與pagerank演算法是比較相似的，hits演算法引入了權威值和中心值的概念，hits演算法是受使用者查詢條件影響的，他一般用於小規模的資料鏈結分析，也更容易遭受到攻擊。

11.k-means(k均值)演算法。k-means演算法是聚類演算法，k在在這裡指的是分類的型別數，所以在開始設定的時候非常關鍵，演算法的原理是首先假定k個分類點，然後根據歐式距離計算分類，然後去同分類的均值作為新的聚簇中心，迴圈操作直到收斂。

12.birch演算法。birch演算法利用構建cf聚類特徵樹作為演算法的核心，通過樹的形式，birch演算法掃瞄資料庫，在記憶體中建立一棵初始的cf-樹，可以看做資料的多層壓縮。

13.adaboost演算法。adaboost演算法是一種提公升演算法，通過對資料的多次訓練得到多個互補的分類器，然後組合多個分類器，構成乙個更加準確的分類器。

14.gsp演算法。gsp演算法是序列模式挖掘演算法。gsp演算法也是apriori類演算法，在演算法的過程中也會進行連線和剪枝操作，不過在剪枝判斷的時候還加上了一些時間上的約束等條件。

15.prefixspan演算法。prefixspan演算法是另乙個序列模式挖掘演算法，在演算法的過程中不會產生候選集，給定初始字首模式，不斷的通過字尾模式中的元素轉到字首模式中，而不斷的遞迴挖掘下去。

16.cba(基於關聯規則分類)演算法。cba演算法是一種整合挖掘演算法，因為他是建立在關聯規則挖掘演算法之上的，在已有的關聯規則理論前提下，做分類判斷，只是在演算法的開始時對資料做處理，變成類似於事務的形式。

17.roughsets(粗糙集)演算法。粗糙集理論是乙個比較新穎的資料探勘思想。這裡使用的是用粗糙集進行屬性約簡的演算法，通過上下近似集的判斷刪除無效的屬性，進行規制的輸出。

18.gspan演算法。gspan演算法屬於圖挖掘演算法領域。，主要用於頻繁子圖的挖掘，相較於其他的圖演算法，子圖挖掘演算法是他們的乙個前提或基礎演算法。gspan演算法用到了dfs編碼，和edge五元組，最右路徑子圖擴充套件等概念，演算法比較的抽象和複雜。