数据挖掘十大经典算法----简介

一、C4.5

机器学习算法中的一个分类决策树（Decision Tree）算法，它是决策树核心算法ID3的改进算法。

二、K-Means

The k-means algorithm，聚类算法，将对象根据属性分为K类，进行分割。

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。

三、SVM

支持向量机（support vector machines），简称SV机。一种有监督学习算法，应用于统计分类以及回归分析中。       

四、Apriori

Apriori算法是一种挖掘布尔关联规则频繁项集的算法。

核心是基于两段频集思想的递归算法。该关联规则在分类上属于单维、单层、布尔关联规则。

五、EM

最大期望算法(Expectation-Maximization,EM)，在概率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。

通常用于机器学习和计算机视觉的数据集聚（data clustering）领域。

六、PageRank

page指算法创始人（larry page）。

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。

核心概念是：每个到页面的链接都是对该页面的依次投票，被链接的越多，就意味着被其他网站投票越多。

七、AdaBoost

一种迭代算法。

核心思想是针对同一训练集训练不同的分类器（弱分类器），然后将这些弱分离器组合起来，构成一个更强的最终分类器（强分类器）。

八、KNN

k最近邻（k-nearest neighbor,KNN）分类算法。

算法思想：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。

九、Naive Bayes

朴素贝叶斯（Naive Bayesian Model,NBC）模型，是应用最广泛的两种分类模型之一（决策树模型和朴素贝叶斯模型）。

十、CART

分类与回归树，（Classification and Regression Trees，CART）。