数据挖掘是指在大量数据集中找到目标信息,被广泛应用于人工智能和数据科学领域。
数据挖掘的10个算法
C4.5算法
C4.5算法从一组已经分类的数据中生成决策树,它获取我们需要分类的数据,并尝试预测新数据的类别。每个数据点都有自己的属性。
C4.5创建的决策树提出了一个关于属性值的问题,并根据这些值对新数据进行分类。与其他数据挖掘算法相比,决策树更容易解释。
K-mean算法
常见的聚类算法之一,k-means的工作原理是根据对象之间的相似性从一组对象中创建k数量的组,根据数据类型,判断相似类型的数据,并归为一组。
k-means是一种无监督学习算法,因为它在没有任何外部信息的情况下自行学习集群。
支持向量机
在任务方面,支持向量机(SVM)算法的工作原理类似于C4.5算法,只是支持向量机不使用决策树。支持向量机SVM学习数据集并定义超平面以将数据分为两类。
Apriori算法
Apriori算法的核心是关联规则。关联规则是一种数据挖掘技术,用于学习数据库中变量之间的相关性。
Apriori算法是一种无监督学习方法。该算法效率很高,却会消耗大量内存,占用大量磁盘空间。
期望最大化算法
期望最大化(EM)被用作聚类算法,就像用于知识发现的k-means算法一样。期望最大化(EM)算法是将困难的任务目标分解为相对简单的最优化问题。是无监督学习的一种。
PageRank算法
PageRank常被搜索引擎使用。它是一种链接分析算法,用于确定在对象网络中链接的对象的相对重要性。链接分析是一种探索对象之间关联的网络分析。搜索引擎通过了解网页之间的反向链接来使用此算法。
Adaboost算法
AdaBoost是一种构分类器,提升分类器权重,最后输出有效分类的提升算法。
Adaboost是完美的监督学习算法,不断训练弱分类器,每次连续的AdaBoost迭代都会重新定义每个分类器的权重,在权重更新后,会用更新后的样本继续训练下一个弱分类器,整个训练过程会一直迭代。
因此,它可以整合大多数学习算法,并且可以处理大量数据。
kNN算法/K-邻近算法
kNN是一种惰性学习算法,用于分类出已知类别数据集中的类别。它只有在新的未标记数据作为输入时才开始分类。
由于kNN算法训练时会给定数据集,因此它是一种监督学习算法。
朴素贝叶斯算法
朴素贝叶斯是是基于贝叶斯定理进行预测分类的算法。被分类数据的每个特征都是独立的。是一种监督学习算法。
CART算法
CART代表分类和回归树,是一种决策树算法,可以将回归树或分类树作为输出。
在CART算法中,决策树节点有2个分支,就像C4.5算法一样,CART也是一个分类器。回归或分类树模型是使用用户提供的标记训练数据集构建的。
因此,CART算法被视为一种监督学习技术。