常用算法简介

1.常用算法：分类与预测，聚类

  

2.分类与预测

 >>回归分析：确定预测属性(数值型)与其他变量间相互依赖的定量关系最常用的统计学方法。包括线性回归、非线性回归、逻辑回归、岭回归、主成分回归、偏最小二乘法回归等

 >>决策树：采用自顶向下的递归方式，在内部节点进行属性值的比较，并根据不同的属性值从该节点向下分支，最终得到的叶节点是学习划分的类。

 >>人工神经网络：是一种模仿大脑神经网络结构和功能而建立的信息处理系统，表示神经网络的输入与输出变量之间关系的模型

 >>贝叶斯网络：又称信度网络，是Bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一

 >>支持向量机：是一种通过某种非线性映射，把低维的非线性可分转化为高维的线性可分，在高维空间进行线性分析的算法

3.聚类

聚类：没有给定划分类别的情况下，根据数据相似度进行分组，建立在无类标记的数据上，非监督学习算法。

 >>划分(分裂)方法：K-Means(K-平均)、K-MEDOIDS(K-中心法)、CLARANS(基于选择的算法)

 >>层次分析法：BIRCH(平衡迭代规约和聚类)、CURE(代表点聚类)、CHAMELEON(动态模型)

 >>基于密度的方法：DBSCAN(基于高密度连接区域)、DENCLUE(密度分布函数)、OPTICS(对象排序识别)

 >>基于网格的方法：STING(统计信息网络)、CLIOUE(聚类高维空间)、WAVE-CLUSTER(小波变换)

 >>基于模型的方法：统计学方法、神经网络方法