数据挖掘领域十大经典算法初探.doc

　　数据挖掘领域十大经典算法初探 　　译者:July 二零一一年一月十五日 　　参考文献： 　　国际权威的学术组织ICDM，于06年12月年评选出的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. 　　 　　说明： 　　1、原文献非最新文章，只是本人向来对算法比较敏感、感兴趣，便把原文细看了下，翻译过程中，有参考一些网友翻译的文章，但个人认为，阐述皆不够精准，且都是泛泛而谈，故此，做了此份翻译，希望，为读者提供一个较权威而详细的文档资料。 　　2、同时，也可于闲余之际择其一二好好研究、剖析下此数据挖掘领域的十大经典算法。文中，添加了一些个人自己的理解，请自行辨明。 　　以下就是从参加评选的18种候选算法中，最终决选出来的十大经典算法： 　　一、C4.5 　　C4.5，是机器学习算法中的一个分类决策树算法，它是决策树(决策树也就是做决策的节点间的组织方式像一棵树，其实是一个倒树)核心算法ID3的改进算法，所以基本上了解了一半决策树构造方法就能构造它。 　　决策树构造方法其实就是每次选择一个好的特征以及分裂点作为当前节点的分类条件。 　　C4.5相比于ID3改进的地方有： 　　1、用信息增益率来选择属性。ID3选择属性用的是子树的信息增益，这里可以用很多方法来定义信息，ID3使用的是熵(entropy，熵是一种不纯度度量准则)，也就是熵的变化值，而C4.5用的是信息增益率。对，区别就在于一个是信息增益，一个是信息增益率。 　　一般来说率就是用来取平衡用的，就像方差起的作用差不多，比如有两个跑步的人，一个起点是10m/s的人、其10s后为20m/s;另一个人起速是1m/s、其1s后为2m/s。如果紧紧算差值那么两个差距就很大了，如果使用速度增加率(加速度，即都是为1m/s^2)来衡量，2个人就是一样的加速度。因此，C4.5克服了ID3用信息增益选择属性时偏向选择取值多的属性的不足。 　　2、在树构造过程中进行剪枝，在构造决策树的时候，那些挂着几个元素的节点，不考虑最好，不然容易导致overfitting。 　　3、对非离散数据也能处理。 　　4、能够对不完整数据进行处理。 　　二、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个分割(k n)。它与处理混合正态分布的最大期望算法(本十大算法第五条)很相似，因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。 　　三、 Support vector machines 　　支持向量机，英文为Support Vector Machine，简称SV机(论文中一般简称SVM)。它是一种监督式学习的方法，它广泛的应用于统计分类以及回归分析中。 　　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。在分开数据的超平面的两边建有两个互相平行的超平面，分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，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 将支持向量机和其他分类器进行了比较。 　　四、The Apriori algorithm 　　Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。 　　五、最大期望(EM)算法 　　在统计计算中，最大期望 (EM，Expectation–Maximization)算法是在概率(probabilistic)模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量(Latent Variabl)。最大期望经常用在机器学习和计算机视觉的数据集聚(Data Clustering)领域。 　　六、 PageRank 　　PageRank是Google算法的重要内容。2001年9月被授予美国专利，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，即这个等级方法是以佩奇来命名的。PageRank根据网站的外部链接和内部链接的数量和质量，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，就意味着被其他网站投票越多