盘点数据挖掘领域十大经典算法

国际权威的学术组织 the IEEE International Conference on Data Mining (ICDM) 2006 年 12 月评 选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，其实参加评选的 18 种算法，实际上随便拿出一种来都可以称得上 是经典算法，它们在数据挖掘领域都产生了极为深远的影响。

1. C4.5

C4.5 算法是机器学习算法中的一种分类决策树算法,其核心算法是 ID3 算法.

C4.5 算法继承 了 ID3 算法的优点，并在以下几方面对 ID3 算法进行了改进：

• 1) 用信息增益率来选择属性，克服了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；
• 3) 能够完成对连续属性的离散化处理；
• 4) 能够对不完整数据进行处理。

C4.5 算法有如下优点：产生的分类规则易于理解，准确率较高。

其缺点：在构造树的过程 中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。

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 个分割，k < n。

它与处理混合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。

3. 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。

4. 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。

5. 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。

6. 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，就意味着被其他网 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， 一般判断这篇论文的权威性就越高。

7. AdaBoost

Adaboost 是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)， 然后把这些弱分类器集合起来，构成一个更强的最终分类器 (强分类器)。其算法本身是通过 改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体 分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练， 最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。

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，也是最单 的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的 k 个最相似(即特征空 间中最邻近)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策树模型(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，算法也比较简单。理论上，NBC 模型与其他分类方法相比具有最小的误差率。但 是实际上并非总是如此，这是因为 NBC 模型假设属性之间相互独立，这个假设在实际应用 中往往是不成的，这给 NBC 模型的正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策树模型。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想。第一个是关于 递归地划分自变量空间的想法；第二个想法是用验证数据进行剪枝。