数据挖掘十大经典算法
国内势力巨头的学术构造the IEEE International Conference on Data Mining (ICDM) 2006年12月评比出了数据挖掘领域的十大经典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART.
不仅仅是选中的十大算法，实在加入评比的18种算法，实际上随意拿出一种来都能够称得上是经典算法，它们在数据挖掘领域都产生了极其深远的影响。
1. C4.5
C4.5算法是机器学习算法中的一种分类决定筹划树算法,其核心算法是ID3算法. C4.5算法承继了ID3算法的优点，并在以下几方面临ID3算法结束了改良：
1) 用信息增益率来决定属性，克服了用信息增益决定属性时方向决定取值多的属性的不敷；
2) 在树布局进程傍边结束剪枝；
3) 能够或者完成对持续属性的离散化处理；
4) 能够或者对不完备数据结束处理。
C4.5算法有以下优点：产生的分类规则易于懂得，精确率较高。其毛病是：在布局树的进程傍边，需要对数据集结束屡次的次序扫描和排序，因此招致算法的低效。
2. The k-means algorithm 即K-Means算法
k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个朋分，k < n。它与处理混杂正态分布的最大期望算法很相似，因为他们都试图找到数据中天然聚类的中间。它假定对象属性来自于空间向量，而且目的是使各个群组外部的均 方误差总和最小。
3. Support vector machines
支持向量机，英文为Support Vector Machine，简称SV机（论文中同样平凡简称SVM）。它是一种監督式學習的方法，它广泛的应用于统计分类和回归阐发中。支持向量机将向量映射到一个更 高维的空间里，在这个空间里建立有一个最大间隔超平面。在离开数据的超平面的双方建有两个互相平行的超平面。分开超平面使两个平行超平面的间隔最大化。假 定平行超平面间的间隔或差距越大，分类器的总误差越小。一个极好的指南是C.J.C Burges的《模式识别支持向量机指南》。van der Walt 和 Barnard 将支持向量机和别的分类器结束了比较。
4. The Apriori algorithm
Apriori算法是一种最有影响的挖掘布尔接洽干系规则频繁项集的算法。其核心是基于两阶段频集思惟的递推算法。该接洽干系规则在分类上属于单维、单层、布尔接洽干系规则。在这里，一切支持度大于最小支持度的项集称为频繁项集，简称频集。
5. 最大期望(EM)算法
在统计打算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中探求参数最大似然 估计的算法，此中概率模型依赖于无奈观察的暗藏变量（Latent Variabl）。最大期望常常用在机器学习和打算机视觉的数据会聚（Data Clustering）领域。
6. PageRank
PageRank是Google算法的紧张内容。2001年9月被付与美国专利，专利人是Google创始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指网页，而是指佩奇，即这个等级方法因此佩奇来命名的。
PageRank根据网站的外部链接和外部链接的数量和品德俩衡量网站的价值。PageRank背后的概念是，每个到页面的链接都是对该页面的一次投票， 被链接的越多，就意味着被别的网站投票越多。这个就是所谓的“链接流行度”——衡量多少人愿意将他们的网站和你的网站挂钩。PageRank这个概念引自 学术中一篇论文的被引述的频度——即被别人引述的次数越多，同样平凡判断这篇论文的势力巨头性就越高。
7. AdaBoost
Adaboost是一种迭代算法，其核心思惟是针对同一个演习集演习不同的分类器(弱分类器)，尔后把这些弱分类器凑集起来，构成一个更强的最终分类器 (强分类器)。其算法本身是经过进程改变数据分布来完成的，它根据每次演习集傍边每个样本的分类可否精确，和上次的全体分类的精确率，来确定每个样本的权 值。将修悛改权值的新数据集送给下层分类器结束演习，最后将每次演习获得的分类器最后融合起来，作为最后的决定筹划分类器。
8. kNN: k-nearest neighbor classification
K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最大略的机器学习算法之一。该方法的思绪是：假如一个样本在特征空间中的k个最相似(即特征空间中最附近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
9. Naive Bayes
在众多的分类模型中，应用最为广泛的两种分类模型是决定筹划树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBC）。
朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以 及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较大略。
理论上，NBC模型与别的分类方法比较具有最小的误差率。 但是实际上并非总是如此，这是因为NBC模型假定属性之间互相独立，这个假定在实际应用中往往是不建立的，这给NBC模型的精确分类带来了一定影响。
在属 性个数比较多或者属性之间相关性较大时，NBC模型的分类效率比不上决定筹划树模型。而在属性相关性较小时，NBC模型的性能最为良好。
10. CART: 分类与回归树
CART, Classification and Regression Trees。 在分类树下面有两个关键的思惟。第一个是对付递归地分离自变量空间的想法主见；第二个想法主见是用验证数据结束剪枝。
想知道更多关于IT行业的信息吗？想远远不如行动，行动起来，一起加入光环大数据，一起进入IT行业，跟着光环大数据的脚步，一起走进如今的互联网信息时代，带给你不一样的色彩生活——【深圳大数据培训】
