关于数据挖掘，你必须知道的几个主要方法

数据挖掘是一门交叉性的新兴学科，它将数据可视化、数据库技术、高性能计算机、统计学、机器学习、模式识别、人工智能等多个范畴的理论和技术融合在一起。数据挖掘的主要方法概括为：预测模型方法、数据分割方法、关联分析法和偏离分析法（图1）。解决实际问题时，将已知的数据库蕴含的复杂信息转换成数学的语言，建立数学模型，运用相应的处理方法结果会更加有效。数据挖掘方法有哪些?

一、预测模型方法

预测模型方法是数据挖掘主要方法中分支较为复杂的一类，包括神经网络与决策树等相关人工智能算法、进化算法及支持向量机等算法。

1、神经网络与决策树等相关人工智能算法

在预测模型方法中，神经网络算法、决策树算法、贝叶斯分类算法、基于关联规则分类算法等都是经典的人工智能算法。

现有的决策树的分类算法有ID3、C4.5等。决策树分类算法是一种以决策树形式表示的分类规则，它能够根据一定的规则将众多的数据分类，从中挖掘出那些有价值的、潜在的信息。决策树的主要优点在于处理大数据的能力强，适合分类及处理预测模型的任务，结论易于解释和理解。贝叶斯分类算法是一种算法相对比较简单、分类精度相对较高的分类算法。在分类的性能方面，决策树算法、贝叶斯分类算法及神经网络算法之间关系十分紧密。现有的贝叶斯分类算法包括朴素贝叶斯算法、动态贝叶斯算法等。常见组合分类方法有随机森林方法、bagging方法及boosting方法。

2、进化算法

进化算法，其代表性算法为遗传算法。1969年，Holland提出了一种随机搜索的最优化方法，它是模拟自然界中的遗传机制和生物进化论而成的，称为遗传算法（genetic algorithms，GA）。它将利用自然界中的“优胜劣汰，适者生存”的生物进化原理改变优化参数，根据适应度函数的选取，最终形成编码串联到群体中。遗传算法的基本步骤：选