一个优秀的数据分析师,除了要掌握基本的统计学、数据库、数据分析方法、思维、数据分析工具技能之外,还需要掌握一些数据挖掘的思想,帮助我们挖掘出有价值的数据,这也是数据分析专家和一般数据分析师的差距之一。
数据挖掘主要分为分类算法,聚类算法和关联规则三大类,这三类基本上涵盖了目前商业市场对算法的所有需求。而这三类里又包含许多经典算法。市面上很多关于数据挖掘算法的介绍深奥难懂,今天就给大家用简单的大白话来介绍数据挖掘十大经典算法原理,帮助大家快速理解。
算法分类
连接分析:PageRank
关联分析:Apriori
分类算法:C4.5,朴素贝叶斯,SVM,KNN,Adaboost,CART
聚类算法:K-Means,EM
一、PageRank
当一篇论文被引用的次数越多,证明这篇论文的影响力越大。
一个网页的入口越多,入链越优质,网页的质量越高。
原理
网页影响力=阻尼影响力+所有入链集合页面的加权影响力之和
- 一个网页的影响力:所有入链的页面的加权影响力之和。
- 一个网页对其他网页的影响力贡献为:自身影响力/出链数量。
- 用户并不都是按照跳转链接的方式来上网,还有其他的方式,比如直接输入网址访问。
- 所以需要设定阻尼因子,代表了用户按照跳转链接来上网的概率。
比喻说明
1、微博
一个人的微博粉丝数不一定等于他的实际影响力,还需要看粉丝的质量如何。
如果是僵尸粉没什么用,但如果是很多大V或者明星关注,影响力很高。
2、店铺的经营
顾客比较多的店铺质量比较好,但是要看看顾客是不是托。
3、兴趣
在感兴趣的人或事身上投入了相对多的时间,对其相关的人事物也会投入一定的时间。那个人或事,被关注的越多,它的影响力/受众也就越大。
关于阻尼因子
1、通过你的邻居的影响力来评判你的影响力,但是如果不能通过邻居来访问你,并不代表你没有影响力,因为可以直接访问你,所以引入阻尼因子的概念。
2、海洋除了有河流流经,还有雨水,但是下雨是随机的。
3、提出阻尼系数,还是为了解决某些网站明明存在大量出链(入链),但是影响力却非常大的情形。
- 出链例子:hao123导航网页,出链极多入链极少。
- 入链例子:百度谷歌等搜索引擎,入链极多出链极少。
二、Apriori(关联分析)
关联关系挖掘,从消费者交易记录中发掘商品与商品之间的关联关系。
原理
1.支持度
某个商品组合出现的次数与总次数之间的比例。
5次购买,4次买了牛奶,牛奶的支持度为4/5=0.8。
5次购买,3次买了牛奶+面包,牛奶+面包的支持度为3/5=0.6。
2.置信度
购买了商品A,有多大概率购买商品B,A发生的情况下B发生的概率是多少。
买了4次牛奶,其中2次买了啤酒,(牛奶->啤酒)的置信度为2/4=0.5。
买了3次啤酒,其中2次买了牛奶,(啤酒->牛奶)的置信度为2/3-0.67。
3.提升度
衡量商品A的出现,对商品B的出现 概率提升的程度。
提升度(A->B)=置信度(A->B)/支持度(B)。
提升度>1,有提升;提升度=1,无变化;提升度<1,下降。
4.频繁项集
项集:可以是单个商品,也可以是商品组合。
频繁项集是支持度大于最小支持度(Min Support)的项集。
计算过程
1、从K=1开始,筛选频繁项集。
2、在结果中,组合K+1项集,再次筛选。
3、循环1,2步。直到找不到结果为止,K-1项集的结果就是最终结果。
扩展:FP-Growth 算法
Apriori 算法需要多次扫描数据库,性能低下,不适合大数据量。
FP-growth算法,通过构建 FP 树的数据结构,将数据存储在 FP 树中,只需要在构建 FP 树时扫描数据库两次,后续处理就不需要再访问数据库了。
**比喻说明:**啤酒和尿不湿摆在一起销售
沃尔玛通过数据分析发现,美国有婴儿的家庭中,一般是母亲在家照顾孩子,父亲去超市买尿不湿。
父亲在购买尿不湿时,常常会顺便搭配几瓶啤酒来犒劳自己,于是,超市尝试推出了将啤酒和尿不湿摆在一起的促销手段,这个举措居然使尿不湿和啤酒的销量都大幅增加。
三、AdaBoost
原理
简单的说,多个弱分类器训练成为一个强分类器。
将一系列的弱分类器以不同的权重比组合作为最终分类选择。
计算过程
1、初始化基础权重。
2、奖权重矩阵,通过已的分类器计算错误率,选择错误率最低的为最优分类器。
3、通过分类器权重公式,减少正确样本分布,增加错误样本分布,得到新的权重矩阵和当前k轮的分类器权重。
4、将新的权重矩阵,带入上面的步骤2和3,重新计算权重矩阵。
5、迭代N轮,记录每一轮的最终分类器权重,得到强分类器。
比喻说明
1、利用错题提升学习效率
做正确的题,下次少做点,反正都会了。
做错的题,下次多做点,集中在错题上。
随着学习的深入,做错的题会越来越少。
2、合理跨界提高盈利
苹果公司,软硬结合,占据了大部分的手机市场利润,两个领域的知识结合起来产生新收益。
四、C4.5(决策树)
决策就是对于一个问题,有多个答案,选择答案的过程就是决策。
C4.5算法是用于产生决策树的算法,主要用于分类。
C4.5使用信息增益率做计算(ID3算法使用信息增益做计算)。
原理
C4.5选择最有效的方式对样本集进行分裂,分裂规则是分析所有属性的信息增益率。
信息增益率越大,意味着这个特征分类的能力越强,我们就要优先选择这个特征做分类。
**比喻说明:**挑西瓜。
拿到一个西瓜,先判断它的纹路,如果很模糊,就认为这不是好瓜,如果它清晰,就认为它是一个好瓜,如果它稍稍模糊,就考虑它的密度,密度大于某个值,就认为它是好瓜,否则就是坏瓜。
五、CART(决策树)
**CART:**Classification And Regression Tree,中文叫分类回归树,即可以做分类也可以做回归。
什么是分类树、回归树?
**分类树:**处理离散数据,也就是数据种类有限的数据,输出的是样本的类别 。
**回归树:**可以对连续型的数值进行预测,输出的是一个数值,数值在某个区间内都有取值的可能。
回归问题和分类问题的本质一样,都是针对一个输入做出一个输出预测,其区别在于输出变量的类型。
原理
CART分类树
与C4.5算法类似,只是属性选择的指标是基尼系数。
基尼系数反应了样本的不确定度,基尼系数越小,说明样本之间的差异性小,不确定程度低。
分类是一个不确定度降低的过程,CART在构造分类树的时候会选择基尼系数最小的属性作为属性的划分。
CART 回归树
采用均方误差或绝对值误差为标准,选取均方误差或绝对值误差最小的特征。
比喻说明
分类:预测明天是阴、晴还是雨。
回归:预测明天的气温是多少度。
六、朴素贝叶斯(条件概率)
朴素贝叶斯是一种简单有效的常用分类算法,计算未知物体出现的条件下各个类别出现的概率,取概率最大的分类。
原理
假设输入的不同特征之间是独立的,基于概率论原理,通过先验概率P(A)、P(B)和条件概率推算出后概率出P(A|B)。
P(A):先验概率,即在B事件发生之前,对A事件概率的一个判断。
P(B|A):条件概率,事件 B 在另外一个事件 A 已经发生条件下的发生概率。
P(A|B):后验概率,即在B事件发生之后,对A事件概率的重新评估。
**比喻说明:**给病人分类。
给定一个新病人,是一个打喷嚏的建筑工人,计算他患感冒的概率。
七、SVM
**SVM:**Support Vector Machine,中文名为支持向量机,是常见的一种分类方法,最初是为二分类问题设计的,在机器学习中,SVM 是有监督的学习模型。
什么是有监督学习和无监督学习 ?
有监督学习:即在已有类别标签的情况下,将样本数据进行分类。
无监督学习:即在无类别标签的情况下,样本数据根据一定的方法进行分类,即聚类,分类好的类别需要进一步分析后,从而得知每个类别的特点。
原理
找到具有最小间隔的样本点,然后拟合出一个到这些样本点距离和最大的线段/平面。
硬间隔:数据是线性分布的情况,直接给出分类。
软间隔:允许一定量的样本分类错误。
核函数:非线性分布的数据映射为线性分布的数据。
比喻说明
1.分隔桌上一堆红球和篮球
用一根线将桌上的红球和蓝球分成两部分。
2.分隔箱子里一堆红球和篮球
用一个平面将箱子里的红球和蓝球分成两部分。
八、KNN(聚类)
机器学习算法中最基础、最简单的算法之一,既能分类也能回归,通过测量不同特征值之间的距离来进行分类。
原理
计算待分类物体与其他物体之间的距离,对于K个最近的邻居,所占数量最多的类别,预测为该分类对象的类别。
计算步骤
1、根据场景,选取距离计算方式,计算待分类物体与其他物体之间的距离。
2、统计距离最近的K个邻居。
3、对于K个最近的邻居,所占数量最多的类别,预测为该分类对象的类别。
**比喻说明:**近朱者赤,近墨者黑。
九、K-Means(聚类)
K-means是一个聚类算法,是无监督学习,生成指定K个类,把每个对象分配给距离最近的聚类中心。
原理
1.随机选取K个点为分类中心点。
2.将每个点分配到最近的类,这样形成了K个类。
3.重新计算每个类的中心点。比如都属于同一个类别里面有10个点,那么新的中心点就是这10个点的中心点,一种简单的方式就是取平均值。
比喻说明
1.选老大
大家随机选K个老大,谁离得近,就是那个队列的人(计算距离,距离近的人聚合在一起)。
随着时间的推移,老大的位置在变化(根据算法,重新计算中心点),直到选出真正的中心老大(重复,直到准确率最高)。
2.Kmeans和Knn的区别
Kmeans开班选老大,风水轮流转,直到选出最佳中心老大。
Knn小弟加队伍,离那个班相对近,就是那个班的。
十、EM(聚类)
EM 的英文是 Expectation Maximization,所以 EM 算法也叫最大期望算法,也是聚类算法的一种。
EM和K-Means的区别:
- EM是计算概率,KMeans是计算距离。
- EM属于软聚类,同一样本可能属于多个类别;而K-Means属于硬聚类,一个样本只能属于一个类别。所以前者能够发现一些隐藏的数据。
原理
先估计一个大概率的可能参数,然后再根据数据不断地进行调整,直到找到最终的确认参数。
**比喻说明:**菜称重。
很少有人用称对菜进行称重,再计算一半的分量进行平分。
大部分人的方法是:
1、先分一部分到碟子 A 中,再把剩余的分到碟子 B 中。
2、观察碟子 A 和 B 里的菜是否一样多,哪个多就匀一些到少的那个碟子里。
3、然后再观察碟子 A 和 B 里的是否一样多,重复下去,直到份量不发生变化为止。
10大算法都已经说完了,其实一般来说,常用算法都已经被封装到库中了,只要new出相应的模型即可。
总结
说了这么多,旨在告诉大家Python这个类目无论是功能性、还是上手程度都碾压其他语言,作为最适合零基础入门的编程语言,想要学习自然不能纸上谈兵,还得沉下心来深入的研究和学习。
只告诉大家学什么但是不给予方向的行为无异于耍流氓,这里也是分享我多年收藏的技术干货,可以共享给喜欢我文章的朋友们,如果你肯花时间沉下心去学习,它们一定能帮到你,干货内容包括:
上面的所有资料我全部打包好了并且上传至CSDN官方,需要的点击👇获取!