数据挖掘基本算法

数据挖掘主要分为4类，即预测、分类、聚类和关联，根据不同的挖掘目的选择相应的算法。R语言博大精深，吸纳了来自各方的挖掘算法包，这些包都是由统计学家或是算法研究人员提供，我们可以站在这些伟人的肩膀上实现算法的应用。下面对常用的数据挖掘包做一个汇总：
连续因变量的预测：
stats包
lm函数，实现多元线性回归
stats包 
glm函数，实现广义线性回归
stats包 
nls函数，实现非线性最小二乘回归
rpart包
rpart函数，基于CART算法的分类回归树模型
RWeka包
M5P函数，模型树算法，集线性回归和CART算法的优点
adabag包 
bagging函数，基于rpart算法的集成算法
adabag包 
boosting函数，基于rpart算法的集成算法
randomForest包
randomForest函数，基于rpart算法的集成算法
e1071包
svm函数，支持向量机算法
kernlab包 
ksvm函数，基于核函数的支持向量机
nnet包 
nnet函数，单隐藏层的神经网络算法
neuralnet包
neuralnet函数，多隐藏层多节点的神经网络算法
RSNNS包 
mlp函数，多层感知器神经网络
RSNNS包
rbf函数，基于径向基函数的神经网络


离散因变量的分类：
stats包 
glm函数，实现Logistic回归，选择logit连接函数
stats包 
knn函数，k最近邻算法
kknn包 
kknn函数，加权的k最近邻算法
rpart包 
rpart函数，基于CART算法的分类回归树模型
adabag包
bagging函数，基于rpart算法的集成算法
adabag包
boosting函数，基于rpart算法的集成算法
randomForest包
randomForest函数，基于rpart算法的集成算法
party包
ctree函数，条件分类树算法
RWeka包
OneR函数，一维的学**规则算法
RWeka包
JPip函数，多维的学**规则算法
RWeka包
J48函数，基于C4.5算法的决策树
C50包
C5.0函数，基于C5.0算法的决策树
e1071包
svm函数，支持向量机算法
kernlab包
ksvm函数，基于核函数的支持向量机
e1071包
naiveBayes函数，贝叶斯分类器算法
klaR包
NaiveBayes函数，贝叶斯分类器算分
MASS包
lda函数，线性判别分析
MASS包
qda函数，二次判别分析
nnet包
nnet函数，单隐藏层的神经网络算法
RSNNS包
mlp函数，多层感知器神经网络
RSNNS包
rbf函数，基于径向基函数的神经网络


聚类：
Nbclust包
Nbclust函数可以确定应该聚为几类
stats包
kmeans函数，k均值聚类算法
cluster包
pam函数，k中心点聚类算法
stats包
hclust函数，层次聚类算法
fpc包
dbscan函数，密度聚类算法
fpc包
kmeansruns函数，相比于kmeans函数更加稳定，而且还可以估计聚为几类
fpc包
pamk函数，相比于pam函数，可以给出参考的聚类个数
mclust包
Mclust函数，期望最大（EM）算法


关联规则：
arules包
apriori函数，Apriori关联规则算法