數據挖掘算法

算法使用此分析的結果來定義用於創建挖掘模型的最佳參數。然後，這些參數應用於整個數據集，以便提取可行模式和詳細統計信息。 ^[2] 

算法根據您的數據創建的挖掘模型可以採用多種形式，這包括：

説明數據集中的事例如何相關的一組分類。

預測結果並描述不同條件是如何影響該結果的決策樹。

預測銷量的數學模型。

説明在事務中如何將產品分組到一起的一組規則，以及一起購買產品的概率。 ^[2] 

1：C4.5

C4.5就是一個決策樹算法，它是決策樹（決策樹也就是做決策的節點間像一棵樹一樣的組織方式，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徵以及分裂點作為當前節點的分類條件。C4.5比ID3改進的地方時：

ID3選擇屬性用的是子樹的信息增益（這裏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。也就是多了個率嘛。一般來説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100m/s的人、其1s後為110m/s；另一個人起速是1m/s、其1s後為11m/s。如果僅算加速度（單位時間速度增加量）那麼兩個就是一樣的了；但如果使用速度增加率（速度增加比例）來衡量，2個人差距就很大了。在這裏，其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。在樹構造過程中進行剪枝，我在構造決策樹的時候好討厭那些掛着幾個元素的節點。對於這種節點，乾脆不考慮最好，不然很容易導致overfitting。對非離散數據都能處理，這個其實就是一個個式，看對於連續型的值在哪裏分裂好。也就是把連續性的數據轉化為離散的值進行處理。能夠對不完整數據進行處理，這個重要也重要，其實也沒那麼重要，缺失數據採用一些方法補上去就是了。 ^[1] 

CART也是一種決策樹算法！相對於上着有條件實現一個節點下面有多個子樹的多元分類，CART只是分類兩個子樹，這樣實現起來稍稍簡便些。所以説CART算法生成的決策樹是結構簡潔的二叉樹。

這個很簡單，就是看你周圍的K個人（樣本）中哪個類別的人佔的多，哪個多，那我就是多的那個。實現起來就是對每個訓練樣本都計算與其相似度，是Top-K個訓練樣本出來，看這K個樣本中哪個類別的多些，誰多跟誰。

(樸素貝葉斯NB)

NB認為各個特徵是獨立的，誰也不關誰的事。所以一個樣本（特徵值的集合，比如“數據結構”出現2次，“文件”出現1次），可以通過對其所有出現特徵在給定類別的概率相乘。比如“數據結構”出現在類1的概率為0.5，“文件”出現在類1的概率為0.3，則可認為其屬於類1的概率為0.5*0.5*0.3。

(支持向量機SVM)

SVM就是想找一個分類得最”好”的分類線/分類面（最近的一些兩類樣本到這個”線”的距離最遠）。這個沒具體實現過，上次聽課，那位老師自稱自己實現了SVM，敬佩其鑽研精神。常用的工具包是LibSVM、SVMLight、MySVM。

6：EM(期望最大化)

這個我認為就是假設數據時由幾個高斯分佈組成的，所以最後就是要求幾個高斯分佈的參數。通過先假設幾個值，然後通過反覆迭代，以期望得到最好的擬合。

這個是做關聯規則用的。不知道為什麼，一提高關聯規則我就想到購物籃數據。這個沒實現過，不過也還要理解，它就是通過支持度和置信度兩個量來工作，不過對於Apriori，它通過頻繁項集的一些規律（頻繁項集的子集必定是頻繁項集等等啦）來減少計算複雜度。 ^[1] 

(Mining frequent patterns without candidate generation)

這個也不太清楚。FP-growth算法(Frequent Pattern-growth)使用了一種緊縮的數據結構來存儲查找頻繁項集所需要的全部信息。採用算法：將提供頻繁項集的數據庫壓縮到一棵FP-tree來保留項集關聯信息，然後將壓縮後的數據庫分成一組條件數據庫（一種特殊類型的投影數據庫），每個條件數據庫關聯一個頻繁項集。

大名鼎鼎的PageRank大家應該都知道（Google靠此專利發家，其實也不能説發家啦!）。對於這個算法我的理解就是：如果我指向你（網頁間的連接）則表示我承認你，則在計算你的重要性的時候可以加上我的一部分重要性（到底多少，要看我自己有多少和我共承認多少個人）。通過反覆這樣來，可以求的一個穩定的衡量各個人（網頁）重要性的值。不過這裏必須要做些限制（一個人的開始默認重要性都是1），不然那些值會越來越大越來越大。

HITS也是一個連接分析算法，它是由IBM首先提出的。在HITS，每個節點（網頁）都有一個重要度和權威度（Hubs and authorities,我也忘了具體的翻譯是什麼了）。通過反覆通過權威度來求重要度，通過重要度來求權威度得到最後的權威度和重要度。

K-Means是一種最經典也是使用最廣泛的聚類方法，時至今日扔然有很多基於其的改進模型提出。K-Means的思想很簡單，對於一個聚類任務（你需要指明聚成幾個類，當然按照自然想法來説不應該需要指明類數，這個問題也是當前聚類任務的一個值得研究的課題），首先隨機選擇K個簇中心，然後反覆計算下面的過程直到所有簇中心不改變（簇集合不改變）為止：步驟1：對於每個對象，計算其與每個簇中心的相似度，把其歸入與其最相似的那個簇中。

步驟2：更新簇中心，新的簇中心通過計算所有屬於該簇的對象的平均值得到。

k-means 算法的工作過程説明如下：首先從n個數據對象任意選擇k 個對象作為初始聚類中心；而對於所剩下其它對象，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然後再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重複這一過程直到標準測度函數開始收斂為止。一般都採用均方差作為標準測度函數. k個聚類具有以下特點：各聚類本身儘可能的緊湊，而各聚類之間儘可能的分開。

BIRCH也是一種聚類算法，其全稱是Balanced Iterative Reducing and Clustering using Hierarchies。BIRCH也是隻是看了理論沒具體實現過。是一個綜合的層次聚類特徵(Clustering Feature, CF)和聚類特徵樹(CF Tree)兩個概念，用於概括聚類描述。聚類特徵樹概括了聚類的有用信息，並且佔用空間較元數據集合小得多，可以存放在內存中，從而可以提高算法在大型數據集合上的聚類速度及可伸縮性。

BIRCH算法包括以下兩個階段：

1.掃描數據庫，建立動態的一棵存放在內存的CF Tree。如果內存不夠，則增大閾值，在原樹基礎上構造一棵較小的樹。

2.對葉節點進一步利用一個全局性的聚類算法，改進聚類質量。

由於CF Tree的葉節點代表的聚類可能不是自然的聚類結果，原因是給定的閾值限制了簇的大小，並且數據的輸入順序也會影響到聚類結果。因此需要對葉節點進一步利用一個全局性的聚類算法，改進聚類質量。

AdaBoost做分類的一般知道，它是一種boosting方法。這個不能説是一種算法，應該是一種方法，因為它可以建立在任何一種分類算法上，可以是決策樹，NB，SVM等。

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)。其算法本身是通過改變數據分佈來實現的，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，最後將每次訓練得到的分類器最後融合起來，作為最後的決策分類器。使用adaboost分類器可以排除一些不必要的訓練數據，並將關鍵放在關鍵的訓練數據上面。

GSP，全稱為Generalized Sequential Pattern(廣義序貫模式)，是一種序列挖掘算法。對於序列挖掘沒有仔細看過，應該是基於關聯規則的吧！網上是這樣説的：

GSP類似於Apriori算法，採用冗餘候選模式的剪除策略和特殊的數據結構-----哈希樹來實現候選模式的快速訪存。

GSP算法描述:

1.掃描序列數據庫，得到長度為1的序列模式L1，作為初始的種子集。

2.根據長度為i 的種子集Li ，通過連接操作和修剪操作生成長度為i+1的候選序列模式Ci+1；然後掃描序列數據庫，計算每個候選序列模式的支持度，產生長度為i+1的序列模式Li+1，並將Li+1作為新的種子集。

3.重複第二步，直到沒有新的序列模式或新的候選序列模式產生為止。

產生候選序列模式主要分兩步：

連接階段：如果去掉序列模式s1的第一個項目與去掉序列模式s2的最後一個項目所得到的序列相同，則可以將s1與s2進行連接，即將s2的最後一個項目添加到s1中。

修切階段：若某候選序列模式的某個子序列不是序列模式，則此候選序列模式不可能是序列模式，將它從候選序列模式中刪除。

候選序列模式的支持度計算：對於給定的候選序列模式集合C，掃描序列數據庫，對於其中的每一條序列s,找出集合C中被s所包含的所有候選序列模式，並增加其支持度計數。

又是一個類似Apriori的序列挖掘。

其中經典十大算法為：C4.5，K-Means，SVM，Apriori，EM，PageRank，AdaBoost，KNN，NB和CART。 ^[1]