数据挖掘10大算法详细介绍
?想初步了解下怎樣數(shù)據(jù)挖掘，看到一篇不錯的文章轉(zhuǎn)載過來啦~
轉(zhuǎn)自:http://blog.jobbole.com/89037/
?
?
在一份調(diào)查問卷中，三個獨立專家小組投票選出的十大最有影響力的數(shù)據(jù)挖掘算法，今天我打算用簡單的語言來解釋一下。
一旦你知道了這些算法是什么、怎么工作、能做什么、在哪里能找到，我希望你能把這篇博文當(dāng)做一個跳板，學(xué)習(xí)更多的數(shù)據(jù)挖掘知識。
還等什么？這就開始吧！
1.C4.5算法
C4.5是做什么的？C4.5 以決策樹的形式構(gòu)建了一個分類器。為了做到這一點，需要給定 C4.5 表達內(nèi)容已分類的數(shù)據(jù)集合。
等下，什么是分類器呢？ 分類器是進行數(shù)據(jù)挖掘的一個工具，它處理大量需要進行分類的數(shù)據(jù)，并嘗試預(yù)測新數(shù)據(jù)所屬的類別。
舉個例子吧，假定一個包含很多病人信息的數(shù)據(jù)集。我們知道每個病人的各種信息，比如年齡、脈搏、血壓、最大攝氧量、家族病史等。這些叫做數(shù)據(jù)屬性。
現(xiàn)在：
給定這些屬性，我們想預(yù)測下病人是否會患癌癥。病人可能會進入下面兩個分類：會患癌癥或者不會患癌癥。 C4.5 算法會告訴我們每個病人的分類。
做法是這樣的：
用一個病人的數(shù)據(jù)屬性集和對應(yīng)病人的反饋類型，C4.5 構(gòu)建了一個基于新病人屬性預(yù)測他們類型的決策樹。
這點很棒，那么什么是決策樹呢？決策樹學(xué)習(xí)是創(chuàng)建一種類似與流程圖的東西對新數(shù)據(jù)進行分類。使用同樣的病人例子，一個特定的流程圖路徑可以是這樣的：
- 病人有癌癥的病史
- 病人有和癌癥病人高度相似的基因表達
- 病人有腫瘤
- 病人的腫瘤大小超過了5cm
基本原則是：
流程圖的每個環(huán)節(jié)都是一個關(guān)于屬性值的問題，并根據(jù)這些數(shù)值，病人就被分類了。你可以找到很多決策樹的例子。
算法是監(jiān)督學(xué)習(xí)還是無監(jiān)督學(xué)習(xí)呢？這是一個監(jiān)督學(xué)習(xí)算法，因為訓(xùn)練數(shù)據(jù)是已經(jīng)分好類的。使用分好類的病人數(shù)據(jù)，C4.5算法不需要自己學(xué)習(xí)病人是否會患癌癥。
那 C4.5 算法和決策樹系統(tǒng)有什么區(qū)別呢？
首先，C4.5 算法在生成信息樹的時候使用了信息增益。
其次，盡管其他系統(tǒng)也包含剪枝，C4.5使用了一個單向的剪枝過程來緩解過渡擬合。剪枝給結(jié)果帶來了很多改進。
再次，C4.5算法既可以處理連續(xù)數(shù)據(jù)也可以處理離散數(shù)據(jù)。我的理解是，算法通過對連續(xù)的數(shù)據(jù)指定范圍或者閾值，從而把連續(xù)數(shù)據(jù)轉(zhuǎn)化為離散的數(shù)據(jù)。
最后，不完全的數(shù)據(jù)用算法自有的方式進行了處理。
為什么使用 C4.5算法呢？可以這么說，決策樹最好的賣點是他們方便于翻譯和解釋。他們速度也很快，是種比較流行的算法。輸出的結(jié)果簡單易懂。
哪里可以使用它呢？ 在 OpenTox 上可以找到一個很流行的開源 Java實現(xiàn)方法。Orange 是一個用于數(shù)據(jù)挖掘的開源數(shù)據(jù)可視化和分析工具，它的決策樹分類器是用 C4.5實現(xiàn)的。
分類器是很棒的東西，但也請看看下一個聚類算法….
2. k 均值聚類算法
它是做什么的呢？K-聚類算法從一個目標(biāo)集中創(chuàng)建多個組，每個組的成員都是比較相似的。這是個想要探索一個數(shù)據(jù)集時比較流行的聚類分析技術(shù)。
等下，什么是聚類分析呢？聚類分析屬于設(shè)計構(gòu)建組群的算法，這里的組成員相對于非組成員有更多的相似性。在聚類分析的世界里，類和組是相同的意思。
舉個例子，假設(shè)我們定義一個病人的數(shù)據(jù)集。在聚類分析里，這些病人可以叫做觀察對象。我們知道每個病人的各類信息，比如年齡、血壓、血型、最大含氧量和膽固醇含量等。這是一個表達病人特性的向量。
請看：
你可以基本認為一個向量代表了我們所知道的病人情況的一列數(shù)據(jù)。這列數(shù)據(jù)也可以理解為多維空間的坐標(biāo)。脈搏是一維坐標(biāo)，血型是其他維度的坐標(biāo)等等。
你可能會有疑問：
給定這個向量集合，我們怎么把具有相似年齡、脈搏和血壓等數(shù)據(jù)的病人聚類呢？
想知道最棒的部分是什么嗎？
你告訴 k-means 算法你想要多少種類。K-means 算法會處理后面的部分。
那它是怎么處理的呢？k-means 算法有很多優(yōu)化特定數(shù)據(jù)類型的變量。
Kmeans算法更深層次的這樣處理問題：
這算法是監(jiān)督的還是非監(jiān)督的呢？這要看情況了，但是大多數(shù)情況下 k-means 會被劃分為非監(jiān)督學(xué)習(xí)的類型。并不是指定分類的個數(shù)，也沒有觀察對象該屬于那個類的任何信息，k-means算法自己“學(xué)習(xí)”如何聚類。k-means 可以是半監(jiān)督的。
為什么要使用 k-means 算法呢？我認為大多數(shù)人都同意這一點：
k-means 關(guān)鍵賣點是它的簡單。它的簡易型意味著它通常要比其他的算法更快更有效，尤其是要大量數(shù)據(jù)集的情況下更是如此。
他可以這樣改進：
k-means 可以對已經(jīng)大量數(shù)據(jù)集進行預(yù)先聚類處理，然后在針對每個子類做成本更高點的聚類分析。k-means 也能用來快速的處理“K”和探索數(shù)據(jù)集中是否有被忽視的模式或關(guān)系。
但用k-means 算法也不是一帆風(fēng)順的：
k means算法的兩個關(guān)鍵弱點分別是它對異常值的敏感性和它對初始中心點選擇的敏感性。最后一個需要記住的是， K-means 算法是設(shè)計來處理連續(xù)數(shù)據(jù)的。對于離散數(shù)據(jù)你需要使用一些小技巧后才能讓 K-means 算法奏效。
Kmeans 在哪里使用過呢？ 網(wǎng)上有很多可獲得的 kmeans 聚類算法的語言實現(xiàn)：
??Apache Mahout
??Julia
??R
??SciPy
??Weka
??MATLAB
??SAS
如果決策樹和聚類算法還沒有打動你，那么你會喜歡下一個算法的。
3.支持向量機
它是做什么的呢？支持向量機（SVM）獲取一個超平面將數(shù)據(jù)分成兩類。以高水準(zhǔn)要求來看，除了不會使用決策樹以外，SVM與 C4.5算法是執(zhí)行相似的任務(wù)的。
咦？一個超..什么？ 超平面（hyperplane）是個函數(shù)，類似于解析一條線的方程。實際上，對于只有兩個屬性的簡單分類任務(wù)來說，超平面可以是一條線的。
其實事實證明：
SVM 可以使用一個小技巧，把你的數(shù)據(jù)提升到更高的維度去處理。一旦提升到更高的維度中，SVM算法會計算出把你的數(shù)據(jù)分離成兩類的最好的超平面。
有例子么？當(dāng)然，舉個最簡單的例子。我發(fā)現(xiàn)桌子上開始就有一堆紅球和藍球，如果這這些球沒有過分的混合在一起，不用移動這些球，你可以拿一根棍子把它們分離開。
你看，當(dāng)在桌上加一個新球時，通過已經(jīng)知道的棍字的哪一邊是哪個顏色的球，你就可以預(yù)測這個新球的顏色了。
最酷的部分是什么呢？SVM 算法可以算出這個超平面的方程。
如果事情變得更復(fù)雜該怎么辦？當(dāng)然了，事情通常都很復(fù)雜。如果球是混合在一起的，一根直棍就不能解決問題了。
下面是解決方案：
快速提起桌子，把所有的球拋向空中，當(dāng)所有的球以正確的方式拋在空中是，你使用一張很大的紙在空中分開這些球。
你可能會想這是不是犯規(guī)了。不，提起桌子就等同于把你的數(shù)據(jù)映射到了高維空間中。這個例子中，我們從桌子表面的二維空間過度到了球在空中的三維空間。
那么 SVM該怎么做呢？通過使用核函數(shù)（kernel），我們在高維空間也有很棒的操作方法。這張大紙依然叫做超平面，但是現(xiàn)在它對應(yīng)的方程是描述一個平面而不是一條線了。根據(jù) Yuval 的說法，一旦我們在三維空間處理問題，超平面肯定是一個面而不是線了。
關(guān)于 SVM的解釋思路，Reddit 的?ELI5?和?ML?兩個子版塊上也有兩個很棒的討論帖。
那么在桌上或者空中的球怎么用現(xiàn)實的數(shù)據(jù)解釋呢？桌上的每個球都有自己的位置，我們可以用坐標(biāo)來表示。打個比方，一個球可能是距離桌子左邊緣20cm 距離底部邊緣 50 cm，另一種描述這個球的方式是使用坐標(biāo)(x,y)或者(20,50)表達。x和 y 是代表球的兩個維度。
可以這樣理解：如果我們有個病人的數(shù)據(jù)集，每個病人可以用很多指標(biāo)來描述，比如脈搏，膽固醇水平，血壓等。每個指標(biāo)都代表一個維度。
基本上，SVM 把數(shù)據(jù)映射到一個更高維的空間然后找到一個能分類的超平面。
類間間隔(margin)經(jīng)常會和 SVM 聯(lián)系起來，類間間隔是什么呢？它是超平面和各自類中離超平面最近的數(shù)據(jù)點間的距離。在球和桌面的例子中，棍子和最近的紅球和藍球間的距離就是類間間隔(margin)。
SVM 的關(guān)鍵在于，它試圖最大化這個類間間隔，使分類的超平面遠離紅球和藍球。這樣就能降低誤分類的可能性。
那么支持向量機的名字是哪里來的？還是球和桌子的例子中，超平面到紅球和藍球的距離是相等的。這些球或者說數(shù)據(jù)點叫做支持向量，因為它們都是支持這個超平面的。
那這是監(jiān)督算法還是非監(jiān)督的呢？SVM 屬于監(jiān)督學(xué)習(xí)。因為開始需要使用一個數(shù)據(jù)集讓 SVM學(xué)習(xí)這些數(shù)據(jù)中的類型。只有這樣之后 SVM 才有能力對新數(shù)據(jù)進行分類。
為什么我們要用 SVM 呢？ SVM 和 C4.5大體上都是優(yōu)先嘗試的二類分類器。根據(jù)“沒有免費午餐原理”，沒有哪一種分類器在所有情況下都是最好的。此外，核函數(shù)的選擇和可解釋性是算法的弱點所在。
在哪里使用 SVM？有什么 SVM 的實現(xiàn)方法，比較流行的是用scikit-learn,?MATLAB?和?libsvm實現(xiàn)的這幾種。
下面要介紹的算法是我最喜歡的算法之一：
4. Apriori 關(guān)聯(lián)算法
它是做什么的？Apriori算法學(xué)習(xí)數(shù)據(jù)的關(guān)聯(lián)規(guī)則(association rules)，適用于包含大量事務(wù)（transcation）的數(shù)據(jù)庫。
什么是關(guān)聯(lián)規(guī)則？關(guān)聯(lián)規(guī)則學(xué)習(xí)是學(xué)習(xí)數(shù)據(jù)庫中不同變量中的相互關(guān)系的一種數(shù)據(jù)挖掘技術(shù)。
舉個 Apriori 算法的例子：我們假設(shè)有一個充滿超市交易數(shù)據(jù)的數(shù)據(jù)庫，你可以把數(shù)據(jù)庫想象成一個巨大的電子數(shù)據(jù)表，表里每一行是一個顧客的交易情況，每一列代表不用的貨物項。
精彩的部分來了：通過使用 Apriori 算法，我們就知道了同時被購買的貨物項，這也叫做關(guān)聯(lián)規(guī)則。它的強大之處在于，你能發(fā)現(xiàn)相比較其他貨物來說，有一些貨物更頻繁的被同時購買—終極目的是讓購物者買更多的東西。這些常被一起購買的貨物項被稱為項集（itemset）。
舉個例子，你大概能很快看到“薯條+蘸醬”和“薯條+蘇打水”的組合頻繁的一起出現(xiàn)。這些組合被稱為2-itemsets。在一個足夠大的數(shù)據(jù)集中，就會很難“看到”這些關(guān)系了，尤其當(dāng)還要處理3-itemset 或者更多項集的時候。這正是 Apriori 可以幫忙的地方！
你可能會對 Apriori 算法如何工作有疑問，在進入算法本質(zhì)和細節(jié)之前，得先明確3件事情：
基本的 Apriori 算法有三步：
這個算法是監(jiān)督的還是非監(jiān)督的？Apriori 一般被認為是一種非監(jiān)督的學(xué)習(xí)方法，因為它經(jīng)常用來挖掘和發(fā)現(xiàn)有趣的模式和關(guān)系。
但是，等下，還有呢…對Apriori 算法改造一下也能對已經(jīng)標(biāo)記好的數(shù)據(jù)進行分類。
為什么使用Apriori 算法？它易于理解，應(yīng)用簡單，還有很多的派生算法。
但另一方面…
當(dāng)生成項集的時候，算法是很耗費內(nèi)存、空間和時間。
大量的 Apriori 算法的語言實現(xiàn)可供使用。比較流行的是?ARtool,?Weka, and?Orange。
下一個算法對我來說是最難的，一起來看下吧。
5.EM 最大期望算法 Expectation Maximization
EM 算法是做什么的？在數(shù)據(jù)挖掘領(lǐng)域，最大期望算法（Expectation-Maximization,EM） 一般作為聚類算法（類似 kmeans 算法）用來知識挖掘。
在統(tǒng)計學(xué)上，當(dāng)估算帶有無法觀測隱藏變量的統(tǒng)計模型參數(shù)時,EM 算法不斷迭代和優(yōu)化可以觀測數(shù)據(jù)的似然估計值。
好，稍等讓我解釋一下…
我不是一個統(tǒng)計學(xué)家，所以希望我的簡潔表達能正確并能幫助理解。
下面是一些概念，能幫我們更好的理解問題。
什么事統(tǒng)計模型？我把模型看做是描述觀測數(shù)據(jù)是如何生成的。例如，一場考試的分數(shù)可能符合一種鐘形曲線，因此這種分數(shù)分布符合鐘形曲線（也稱正態(tài)分布）的假設(shè)就是模型。
等下，那什么是分布？分布代表了對所有可測量結(jié)果的可能性。例如，一場考試的分數(shù)可能符合一個正態(tài)分布。這個正態(tài)分布代表了分數(shù)的所有可能性。換句話說，給定一個分數(shù)，你可以用這個分布來預(yù)計多少考試參與者可能會得到這個分數(shù)。
這很不錯，那模型的參數(shù)又是什么呢？作為模型的一部分，分布屬性正是由參數(shù)來描述的。例如，一個鐘形曲線可以用它的均值和方差來描述。
還是使用考試的例子，一場考試的分數(shù)分布（可測量的結(jié)果）符合一個鐘形曲線（就是分布）。均值是85，方差是100.
那么，你描述正態(tài)分布需要的所有東西就是這兩個參數(shù)：
那么，似然性呢？回到我們之前的鐘形曲線例子，假設(shè)我們已經(jīng)拿到很多的分數(shù)數(shù)據(jù)，并被告知分數(shù)符合一個鐘形曲線。然而，我們并沒有給到所有的分數(shù)，只是拿到了一個樣本。
可以這樣做：
我們不知道所有分數(shù)的平均值或者方差，但是我們可以使用樣本計算它們。似然性就是用估計的方差和平均值得到的鐘形曲線在算出很多分數(shù)的概率。
換句話說，給定一系列可測定的結(jié)果，讓我們來估算參數(shù)。再使用這些估算出的參數(shù)，得到結(jié)果的這個假設(shè)概率就被稱為似然性。
記住，這是已存在分數(shù)的假設(shè)概率，并不是未來分數(shù)的概率。
你可能會疑問，那概率又是什么？
還用鐘形曲線的例子解釋，假設(shè)我們知道均值和方差。然我們被告知分數(shù)符合鐘形曲線。我們觀察到的某些分數(shù)的可能性和他們多久一次的被觀測到就是概率。
更通俗的講，給定參數(shù)，讓我們來計算可以觀察到什么結(jié)果。這就是概率為我們做的事情。
很好，現(xiàn)在，觀測到的數(shù)據(jù)和未觀測到的隱藏數(shù)據(jù)區(qū)別在哪里？觀測到的數(shù)據(jù)就是你看到或者記錄的數(shù)據(jù)。未觀測的數(shù)據(jù)就是遺失的數(shù)據(jù)。數(shù)據(jù)丟失的原因有很多（沒有記錄，被忽視了，等等原因）。
算法的優(yōu)勢是：對于數(shù)據(jù)挖掘和聚類，觀察到遺失的數(shù)據(jù)的這類數(shù)據(jù)點對我們來說很重要。我們不知道具體的類，因此這樣處理丟失數(shù)據(jù)對使用 EM 算法做聚類的任務(wù)來說是很關(guān)鍵的。
再說一次，當(dāng)估算帶有無法觀測隱藏變量的統(tǒng)計模型參數(shù)時,EM 算法不斷迭代和優(yōu)化可以觀測數(shù)據(jù)的似然估計值。 希望現(xiàn)在再說更容易理解了。
算法的精髓在于：
通過優(yōu)化似然性，EM 生成了一個很棒的模型，這個模型可以對數(shù)據(jù)點指定類型標(biāo)簽—聽起來像是聚類算法！
EM 算法是怎么幫助實現(xiàn)聚類的呢？EM 算法以對模型參數(shù)的猜測開始。然后接下來它會進行一個循環(huán)的3步：
EM 是監(jiān)督算法還是非監(jiān)督算法呢？因為我們不提供已經(jīng)標(biāo)好的分類信息，這是個非監(jiān)督學(xué)習(xí)算法。
為什么使用它？EM 算法的一個關(guān)鍵賣點就是它的實現(xiàn)簡單直接。另外，它不但可以優(yōu)化模型參數(shù)，還可以反復(fù)的對丟失數(shù)據(jù)進行猜測。
這使算法在聚類和產(chǎn)生帶參數(shù)的模型上都表現(xiàn)出色。在得知聚類情況和模型參數(shù)的情況下，我們有可能解釋清楚有相同屬性的分類情況和新數(shù)據(jù)屬于哪個類之中。
不過EM 算法也不是沒有弱點…
第一，EM 算法在早期迭代中都運行速度很快，但是越后面的迭代速度越慢。
第二，EM 算法并不能總是尋到最優(yōu)參數(shù)，很容易陷入局部最優(yōu)而不是找到全局最優(yōu)解。
EM 算法實現(xiàn)可以在 ?Weka中找到，mclust package里面有 R 語言對算法的實現(xiàn)，scikit-learn的gmm module里也有對它的實現(xiàn)。
?
6.PageRank算法
算法是做什么的？PageRank是為了決定一些對象和同網(wǎng)絡(luò)中的其他對象之間的相對重要程度而設(shè)計的連接分析算法(link analysis algorithm)。
那么什么是連接分析算法呢？它是一類針對網(wǎng)絡(luò)的分析算法，探尋對象間的關(guān)系（也可成為連接）。
舉個例子：最流行的 PageRank 算法是 Google 的搜索引擎。盡管他們的搜索引擎不止是依靠它，但? PageRank依然是 Google 用來測算網(wǎng)頁重要度的手段之一。
解釋一下：
萬維網(wǎng)上的網(wǎng)頁都是互相鏈接的。如果 Rayli.net 鏈接到了 CNN 上的一個網(wǎng)頁，CNN 網(wǎng)頁就增加一個投票，表示 rayli.net 和 CNN 網(wǎng)頁是關(guān)聯(lián)的。
這還沒有結(jié)束：
反過來，來自rayli.net 網(wǎng)頁的投票重要性也要根據(jù) rayli.net 網(wǎng)的重要性和關(guān)聯(lián)性來權(quán)衡。換句話說，任何給 rayli.net 投票的網(wǎng)頁也能提升 rayli.net 網(wǎng)頁的關(guān)聯(lián)性。
基本概括一下：
投票和關(guān)聯(lián)性就是 PageRank 的概念。rayli.net 給CNN 投票增加了 CNN 的 Pagerank，rayli.net 的 PageRank級別同時也影響著它為 CNN 投票多大程度影響了CNN 的 PageRank。
那么 PageRank 的0，1，2，3級別是什么意思？ 盡管 Google 并沒有揭露PageRank 的精確含義，我們還是能了解它的大概意思。
我們能通過下面這些網(wǎng)站的PageRank得到些答案：
看到了么？
這排名有點像一個網(wǎng)頁流行度的競爭。我們的頭腦中都有了一些這些網(wǎng)站的流行度和關(guān)聯(lián)度的信息。
PageRank只是一個特別講究的方式來定義了這些而已。
PageRank還有什么其他應(yīng)用呢？ PageRank是專門為了萬維網(wǎng)設(shè)計的。
可以考慮一下，以核心功能的角度看，PageRank算法真的只是一個處理鏈接分析極度有效率的方法。處理的被鏈接的對象不止只是針對網(wǎng)頁。
下面是 PageRank3個創(chuàng)新的應(yīng)用：
這算法是監(jiān)督的還是非監(jiān)督的？PageRank常用來發(fā)現(xiàn)一個網(wǎng)頁的重要度關(guān)聯(lián)度，通常被認為是一種非監(jiān)督學(xué)習(xí)算法。
為什么使用PageRank？可以說，PageRank的主要賣點是：由于得到新相關(guān)鏈接具有難度，算法依然具有良好的魯棒性。
更簡單一點說，如果你又一個圖或者網(wǎng)絡(luò)，并想理解其中元素的相對重要性，優(yōu)先性，排名或者相關(guān)性，可以用PageRank試一試。
哪里使用過它呢？Google 擁有PageRank 的商標(biāo)。但是斯坦福大學(xué)取得了PageRank 算法的專利權(quán)。如果使用 PageRank，你可能會有疑問： 我不是律師，所以最好和一個真正的律師確認一下。但是只要和 Google 或斯坦福沒有涉及到商業(yè)競爭，應(yīng)該都是可以使用這個算法的。
給出PageRank 的三個實現(xiàn)：
1?C++ OpenSource PageRank Implementation
2?Python PageRank Implementation
3?igraph – The network analysis package (R)
7.AdaBoost 迭代算法
AdaBoost 算法是做什么的？AdaBoost 是個構(gòu)建分類器的提升算法。
也許你還記得，分類器拿走大量數(shù)據(jù)，并試圖預(yù)測或者分類新數(shù)據(jù)元素的屬于的類別。
但是，提升(boost) 指的什么？提升是個處理多個學(xué)習(xí)算法（比如決策樹）并將他們合并聯(lián)合起來的綜合的學(xué)習(xí)算法。目的是將弱學(xué)習(xí)算法綜合或形成一個組，把他們聯(lián)合起來創(chuàng)造一個新的強學(xué)習(xí)器。
強弱學(xué)習(xí)器之間有什么區(qū)別呢？弱學(xué)習(xí)分類器的準(zhǔn)確性僅僅比猜測高一點。一個比較流行的弱分類器的例子就是只有一層的決策樹。
另一個，強學(xué)習(xí)分類器有更高的準(zhǔn)確率，一個通用的強學(xué)習(xí)器的例子就是 SVM。
舉個 AdaBoost 算法的例子：我們開始有3個弱學(xué)習(xí)器，我們將在一個包含病人數(shù)據(jù)的數(shù)據(jù)訓(xùn)練集上對他們做10輪訓(xùn)練。數(shù)據(jù)集里包含了病人的醫(yī)療記錄各個細節(jié)。
問題來了，那我們怎么預(yù)測某個病人是否會得癌癥呢？AdaBoost 是這樣給出答案的：
第一輪，AdaBoost 拿走一些訓(xùn)練數(shù)據(jù)，然后測試每個學(xué)習(xí)器的準(zhǔn)確率。最后的結(jié)果就是我們找到最好的那個學(xué)習(xí)器。另外，誤分類的樣本學(xué)習(xí)器給予一個比較高的權(quán)重，這樣他們在下輪就有很高的概率被選中了。
再補充一下，最好的那個學(xué)習(xí)器也要給根據(jù)它的準(zhǔn)確率賦予一個權(quán)重，并將它加入到聯(lián)合學(xué)習(xí)器中（這樣現(xiàn)在就只有一個分類器了）
第二輪， AdaBoost 再次試圖尋找最好的學(xué)習(xí)器。
關(guān)鍵部分來了，病人數(shù)據(jù)樣本的訓(xùn)練數(shù)據(jù)現(xiàn)在被有很高誤分配率的權(quán)重影響著。換句話說，之前誤分類的病人在這個樣本里有很高的出現(xiàn)概率。
為什么？
這就像是在電子游戲中已經(jīng)打到了第二級，但當(dāng)你的角色死亡后卻不必從頭開始。而是你從第二級開始然后集中注意，盡力升到第三級。
同樣地，第一個學(xué)習(xí)者有可能對一些病人的分類是正確的，與其再度試圖對他們分類，不如集中注意盡力處理被誤分類的病人。
最好的學(xué)習(xí)器也被再次賦予權(quán)重并加入到聯(lián)合分類器中，誤分類的病人也被賦予權(quán)重，這樣他們就有比較大的可能性再次被選中，我們會進行過濾和重復(fù)。
在10輪結(jié)束的時候，我們剩下了一個帶著不同權(quán)重的已經(jīng)訓(xùn)練過的聯(lián)合學(xué)習(xí)分類器，之后重復(fù)訓(xùn)練之前回合中被誤分類的數(shù)據(jù)。
這是個監(jiān)督還是非監(jiān)督算法？因為每一輪訓(xùn)練帶有已經(jīng)標(biāo)記好數(shù)據(jù)集的弱訓(xùn)練器，因此這是個監(jiān)督學(xué)習(xí)。
為什么使用 AdaBoost？AdaBoost算法簡單， 編程相對來說簡潔直白。
另外，它速度快！弱學(xué)習(xí)器 一般都比強學(xué)習(xí)器簡單，簡單意味著它們的運行速度可能更快。
還有件事：
因為每輪連續(xù)的Adaboost回合都重新定義了每個最好學(xué)習(xí)器的權(quán)重，因此這是個自動調(diào)整學(xué)習(xí)分類器的非常簡潔的算法，你所要做的所有事就是指定運行的回合數(shù)。
最后，算法靈活通用，AdaBoost 可以加入任何學(xué)習(xí)算法，并且它能處理多種數(shù)據(jù)。
AdaBoost 有很多程序?qū)崿F(xiàn)和變體。給出一些：
??scikit-learn
??ICSIBoost
??gbm: Generalized Boosted Regression Models
如果你喜歡Mr.Rogers,你會喜歡下面的算法的…
8.kNN：k最近鄰算法
它是做什么的？kNN，或 K 最近鄰(k-Nearest Neighbors), 詩歌分類算法。然而，它和我們之前描述的分類器不同，因為它是個懶散學(xué)習(xí)法。
什么是懶散學(xué)習(xí)法呢？和存儲訓(xùn)練數(shù)據(jù)的算法不同，懶散學(xué)習(xí)法在訓(xùn)練過程中不需要做許多處理。只有當(dāng)新的未被分類的數(shù)據(jù)輸入時，這類算法才會去做分類。
但在另一方面，積極學(xué)習(xí)法則會在訓(xùn)練中建立一個分類模型，當(dāng)新的未分類數(shù)據(jù)輸入時，這類學(xué)習(xí)器會把新數(shù)據(jù)也提供給這個分類模型。
那么 C4.5，SVM 和 AdaBoost 屬于哪類呢？不像 kNN算法，他們都是積極學(xué)習(xí)算法。
給出原因：
1 C4.5 在訓(xùn)練中建立了一個決策分類樹模型。
2 SVM在訓(xùn)練中建立了一個超平面的分類模型。
3 AdaBoost在訓(xùn)練中建立了一個聯(lián)合的分類模型。
那么 kNN 做了什么？ kNN 沒有建立這樣的分類模型，相反，它只是儲存了一些分類好的訓(xùn)練數(shù)據(jù)。那么新的訓(xùn)練數(shù)據(jù)進入時，kNN 執(zhí)行兩個基本步驟：
1 首先，它觀察最近的已經(jīng)分類的訓(xùn)練數(shù)據(jù)點—也就是，k最臨近點（k-nearest neighbors）
2 第二部，kNN使用新數(shù)據(jù)最近的鄰近點的分類， 就對新數(shù)據(jù)分類得到了更好的結(jié)果了。
你可能會懷疑…kNN 是怎么計算出最近的是什么？ 對于連續(xù)數(shù)據(jù)來說，kNN 使用一個像歐氏距離的距離測度，距離測度的選擇大多取決于數(shù)據(jù)類型。有的甚至?xí)鶕?jù)訓(xùn)練數(shù)據(jù)學(xué)習(xí)出一種距離測度。關(guān)于 kNN 距離測度有更多的細節(jié)討論和論文描述。
對于離散數(shù)據(jù)，解決方法是可以把離散數(shù)據(jù)轉(zhuǎn)化為連續(xù)數(shù)據(jù)。給出兩個例子：
1 使用漢明距離（Hamming distance?）作為兩個字符串緊密程度的測度。
2 把離散數(shù)據(jù)轉(zhuǎn)化為二進制表征。
這兩個來自Stack Overflow的思路也有一些關(guān)于處理離散數(shù)據(jù)的建議：
??KNN classification with categorical data
??Using k-NN in R with categorical values
當(dāng)臨近的點是不同的類，kNN 怎么給新數(shù)據(jù)分類呢？當(dāng)臨近點都是同一類的時候，kNN 也就不費力氣了。我們用直覺考慮，如果附近點都一致，那么新數(shù)據(jù)點就很可能落入這同一個類中了。
我打賭你能猜到事情是從哪里開始變的麻煩的了…
當(dāng)臨近點不是同一類時，kNN 怎么決定分類情況的呢？
處理這種情況通常有兩種辦法：
1 通過這些臨近點做個簡單的多數(shù)投票法。哪個類有更多的票，新數(shù)據(jù)就屬于那個類。
2 還是做個類似的投票，但是不同的是，要給那些離的更近的臨近點更多的投票權(quán)重。這樣做的一個簡單方法是使用反距離(reciprocal distance). 比如，如果某個臨近點距離5個單位，那么它的投票權(quán)重就是1/5.當(dāng)臨近點越來越遠是，倒數(shù)距離就越來越小…這正是我們想要的。
這是個監(jiān)督算法還是非監(jiān)督的呢？因為 kNN 算法提供了已經(jīng)被分類好的數(shù)據(jù)集，所以它是個監(jiān)督學(xué)習(xí)算法。
為什么我們會用 kNN？便于理解和實現(xiàn)是我們使用它的兩個關(guān)鍵原因。根據(jù)距離測度的方法，kNN 可能會非常精確。
但是這還只是故事的一部分，下面是我們需要注意的5點：
1 當(dāng)試圖在一個大數(shù)據(jù)集上計算最臨近點時，kNN 算法可能會耗費高昂的計算成本。
2 噪聲數(shù)據(jù)(Noisy data)可能會影響到 kNN 的分類。
3 選擇大范圍的屬性篩選(feature)會比小范圍的篩選占有很多優(yōu)勢，所以屬性篩選(feature)的規(guī)模非常重要。
4 由于數(shù)據(jù)處理會出現(xiàn)延遲，kNN 相比積極分類器，一般需要更強大的存儲需求。
5 選擇一個合適的距離測度對 kNN 的準(zhǔn)確性來說至關(guān)重要。
哪里用過這個方法？有很多現(xiàn)存的 kNN 實現(xiàn)手段：
??MATLAB k-nearest neighbor classification
??scikit-learn KNeighborsClassifier
??k-Nearest Neighbour Classification in R
是不是垃圾，先別管了。先讀讀下面的算法吧….
9. Naive Bayes 樸素貝葉斯算法
算法是做什么的？樸素貝葉斯（Naive Bayes）并不只是一個算法，而是一系列分類算法，這些算法以一個共同的假設(shè)為前提：
被分類的數(shù)據(jù)的每個屬性與在這個類中它其他的屬性是獨立的。
獨立是什么意思呢？當(dāng)一個屬性值對另一個屬性值不產(chǎn)生任何影響時，就稱這兩個屬性是獨立的。
舉個例子：
比如說你有一個病人的數(shù)據(jù)集，包含了病人的脈搏，膽固醇水平，體重，身高和郵編這樣的屬性。如果這些屬性值互相不產(chǎn)生影響，那么所有屬性都是獨立的。對于這個數(shù)據(jù)集來說，假定病人的身高和郵編相互獨立，這是合理的。因為病人的身高和他們的郵編沒有任何關(guān)系。但是我們不能停在這，其他的屬性間是獨立的么？
很遺憾，答案是否定的。給出三個并不獨立的屬性關(guān)系：
? 如果身高增加，體重可能會增加。
? 如果膽固醇水平增加，體重可能增加。
? 如果膽固醇水平增加，脈搏也可能會增加。
以我的經(jīng)驗來看，數(shù)據(jù)集的屬性一般都不是獨立的。
這樣就和下面的問題聯(lián)系起來了…
為什么要把算法稱為樸素的(naive)呢？數(shù)據(jù)集中所有屬性都是獨立的這個假設(shè)正是我們稱為樸素（naive）的原因—— 通常下例子中的所有屬性并不是獨立的。
什么是貝葉斯（Bayes）？Thomas Bayes 是一個英國統(tǒng)計學(xué)家，貝葉斯定理就是以他名字命名的。點擊這個鏈接可以知道更多貝葉斯定理的內(nèi)容（Bayes’ Theorem）
總而言之，根據(jù)給定的一系列屬性信息，借用概率的知識，我們可以使用這個定理來預(yù)測分類情況。
分類的簡化等式看起來就像下面的這個式子：
我們在深入研究一下..
這個等式是什么意思？在屬性1和屬性2的條件下，等式計算出了A 類的概率。換句話說，如果算出屬性1 和2，等式算出的數(shù)據(jù)屬于 A 類的概率大小。
等式這樣寫解釋為：在屬性1和屬性2條件下，分類 A 的概率是一個分數(shù)。
? 分數(shù)的分子是在分類 A條件下屬性1的概率，乘以在分類 A 條件下屬性2的概率，再乘以分類 A 的概率
? 分數(shù)的分母是屬性1的概率乘以屬性2的概率。
舉個 Naive Bayes 的例子，下面是一個從?Stack Overflow thread (Ram’s answer)中找到的一個好例子。
事情是這樣的：
? 我們有個1000個水果的訓(xùn)練數(shù)據(jù)集。
? 水果可能是香蕉，橘子或者其他（這些水果種類就是類）
? 水果可能是長形的、甜的、或者黃顏色的(這些是屬性).
在這個訓(xùn)練集中你發(fā)現(xiàn)了什么？
? 500個香蕉中，長的有400個、甜的有350個、黃色的450個
? 300個橘子中、沒有長的、甜的150個、黃色的300個
? 還剩下的200個水果中、長的100個、甜的150個、黃色的50個
如果我們根據(jù)長度、甜度和水果顏色，在不知道它們類別的情況下，我們現(xiàn)在可以計算水果是香蕉、橘子或者其他水果的概率了。
假設(shè)我們被告知這個未分類的水果是長的、甜的、黃色的。
下面我們以4個步驟來計算所有的概率：
第一步：想要計算水果是香蕉的概率，我們首先發(fā)現(xiàn)這個式子看起來很熟悉。這就是在屬性為長形、甜和黃色的條件下，水果是香蕉類的概率，這個表達更簡潔一些：
這確實就像我們之前討論的那個等式。
第二步：以分子開始，讓我們把公式的所有東西都加進去。
像公式一樣，把所有的都乘起來，我們就得到了：
第三步：不用管分母了，因為計算別的分類時分子是一樣的。
第四步：計算其他類時也做類似的計算：
因為0.252大于0.01875，Naive Bayes 會把長形，甜的還是黃色水果分到香蕉的一類中。
這是個監(jiān)督算法還是非監(jiān)督算法呢？ 為了得到頻數(shù)表，Naive Bayes 提供了已經(jīng)分好類的訓(xùn)練數(shù)據(jù)集，所以這是個監(jiān)督學(xué)習(xí)算法。
為什么使用 Naive Bayes？就像你在上面看到的例子一樣，Naive Bayes 只涉及到了簡單的數(shù)學(xué)知識。加起來只有計數(shù)、乘法和除法而已。
一旦計算好了頻數(shù)表(frequency tables),要分類一個未知的水果只涉及到計算下針對所有類的概率，然后選擇概率最大的即可。
盡管算法很簡單，但是 Naive Bayes 卻出人意料的十分精確。比如，人們發(fā)現(xiàn)它是垃圾郵件過濾的高效算法。
Naive Bayes 的實現(xiàn)可以從Orange,?scikit-learn,?Weka?和?R?里面找到。
最后，看一下第十種算法吧。
10.CART 分類算法
算法是做什么的？ CART 代表分類和回歸樹(classification and regression trees)。它是個決策樹學(xué)習(xí)方法，同時輸出分類和回歸樹。 像 C4.5一樣，CART 是個分類器。
分類樹像決策樹一樣么？分類樹是決策樹的一種。分類樹的輸出是一個類。
舉個例子，根據(jù)一個病人的數(shù)據(jù)集、你可能會試圖預(yù)測下病人是否會得癌癥。這個分類或者是“會的癌癥”或者是“不會得癌癥”。
那回歸樹是什么呢？和分類樹預(yù)測分類不同，回歸樹預(yù)測一個數(shù)字或者連續(xù)數(shù)值，比如一個病人的住院時間或者一部智能手機的價格。
這么記比較簡單：
分類樹輸出類、回歸樹輸出數(shù)字。
由于我們已經(jīng)講過決策樹是如何分類數(shù)據(jù)的了，我們就直接跳過進入正題了…
CART和 C4.5對比如下：
?
這是個監(jiān)督算法還是非監(jiān)督的呢？為了構(gòu)造分類和回歸樹模型，需要給它提供被分類好的訓(xùn)練數(shù)據(jù)集，因此 CART 是個監(jiān)督學(xué)習(xí)算法。
為什么要使用 CART 呢？使用 C4.5的原因大部分也適用于 CART，因為它們都是決策樹學(xué)習(xí)的方法。便于說明和解釋這類的原因也適用于 CART。
和 C4.5一樣，它們的計算速度都很快，算法也都比較通用流行，并且輸出結(jié)果也具有可讀性。
scikit-learn?在他們的決策樹分類器部分實現(xiàn)了 CART 算法；R 語言的?tree package?也有 CART 的實現(xiàn)；Weka?和?MATLAB?也有CART的實現(xiàn)過程。
最后，基于斯坦福和加州大學(xué)伯克利分校的世界聞名的統(tǒng)計學(xué)家們的理論，只有 Salford系統(tǒng)有最原始的 CART 專利源碼的實現(xiàn)部分。
?
轉(zhuǎn)載于:https://www.cnblogs.com/yangsy0915/p/5043168.html
總結(jié)
以上是生活随笔為你收集整理的数据挖掘10大算法详细介绍的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Beta版本冲刺第二天
- 下一篇： java文件读写操作类