用最簡單的語言來解釋一下數據挖掘的十大算法

在一份調查問卷中，三個獨立專家小組投票選出的十大最有影響力的數據挖掘算法，今天我打算用簡單的語言來解釋一下。

一旦你知道了這些算法是什么、怎么工作、能做什么、在哪里能找到，我希望你能把這篇博文當做一個跳板，學習更多的數據挖掘知識。

還等什么？這就開始吧！

1.C4.5算法

C4.5是做什么的？C4.5 以決策樹的形式構建了一個分類器。為了做到這一點，需要給定 C4.5 表達內容已分類的數據集合。

等下，什么是分類器呢？ 分類器是進行數據挖掘的一個工具，它處理大量需要進行分類的數據，并嘗試預測新數據所屬的類別。

舉個例子吧，假定一個包含很多病人信息的數據集。我們知道每個病人的各種信息，比如年齡、脈搏、血壓、最大攝氧量、家族病史等。這些叫做數據屬性。

現在：

給定這些屬性，我們想預測下病人是否會患癌癥。病人可能會進入下面兩個分類：會患癌癥或者不會患癌癥。 C4.5 算法會告訴我們每個病人的分類。

做法是這樣的：

用一個病人的數據屬性集和對應病人的反饋類型，C4.5 構建了一個基于新病人屬性預測他們類型的決策樹。

這點很棒，那么什么是決策樹呢？決策樹學習是創建一種類似與流程圖的東西對新數據進行分類。使用同樣的病人例子，一個特定的流程圖路徑可以是這樣的：

• 病人有癌癥的病史
• 病人有和癌癥病人高度相似的基因表達
• 病人有腫瘤
• 病人的腫瘤大小超過了5cm

基本原則是：

流程圖的每個環節都是一個關于屬性值的問題，并根據這些數值，病人就被分類了。你可以找到很多決策樹的例子。

算法是監督學習還是無監督學習呢？這是一個監督學習算法，因為訓練數據是已經分好類的。使用分好類的病人數據，C4.5算法不需要自己學習病人是否會患癌癥。

那 C4.5 算法和決策樹系統有什么區別呢？

首先，C4.5 算法在生成信息樹的時候使用了信息增益。

其次，盡管其他系統也包含剪枝，C4.5使用了一個單向的剪枝過程來緩解過渡擬合。剪枝給結果帶來了很多改進。

再次，C4.5算法既可以處理連續數據也可以處理離散數據。我的理解是，算法通過對連續的數據指定范圍或者閾值，從而把連續數據轉化為離散的數據。

最后，不完全的數據用算法自有的方式進行了處理。

為什么使用 C4.5算法呢？可以這么說，決策樹最好的賣點是他們方便于翻譯和解釋。他們速度也很快，是種比較流行的算法。輸出的結果簡單易懂。

哪里可以使用它呢？ 在 OpenTox 上可以找到一個很流行的開源 Java實現方法。Orange 是一個用于數據挖掘的開源數據可視化和分析工具，它的決策樹分類器是用 C4.5實現的。

分類器是很棒的東西，但也請看看下一個聚類算法….

2. k 均值聚類算法

它是做什么的呢？K-聚類算法從一個目標集中創建多個組，每個組的成員都是比較相似的。這是個想要探索一個數據集時比較流行的聚類分析技術。

等下，什么是聚類分析呢？聚類分析屬于設計構建組群的算法，這里的組成員相對于非組成員有更多的相似性。在聚類分析的世界里，類和組是相同的意思。

舉個例子，假設我們定義一個病人的數據集。在聚類分析里，這些病人可以叫做觀察對象。我們知道每個病人的各類信息，比如年齡、血壓、血型、最大含氧量和膽固醇含量等。這是一個表達病人特性的向量。

請看：

你可以基本認為一個向量代表了我們所知道的病人情況的一列數據。這列數據也可以理解為多維空間的坐標。脈搏是一維坐標，血型是其他維度的坐標等等。

你可能會有疑問：

給定這個向量集合，我們怎么把具有相似年齡、脈搏和血壓等數據的病人聚類呢？

想知道最棒的部分是什么嗎？

你告訴 k-means 算法你想要多少種類。K-means 算法會處理后面的部分。

那它是怎么處理的呢？k-means 算法有很多優化特定數據類型的變量。

Kmeans算法更深層次的這樣處理問題：

1. k-means 算法在多維空間中挑選一些點代表每一個 k 類。他們叫做中心點。
2. 每個病人會在這 k 個中心點中找到離自己最近的一個。我們希望病人最靠近的點不要是同一個中心點，所以他們在靠近他們最近的中心點周圍形成一個類。
3. 我們現在有 k 個類，并且現在每個病人都是一個類中的一員。
4. 之后k-means 算法根據它的類成員找到每個 k 聚類的中心（沒錯，用的就是病人信息向量）
5. 這個中心成為類新的中心點。
6. 因為現在中心點在不同的位置上了，病人可能現在靠近了其他的中心點。換句話說，他們可能會修改自己的類成員身份。
7. 重復2-6步直到中心點不再改變，這樣類成員也就穩定了。這也叫做收斂性。

這算法是監督的還是非監督的呢？這要看情況了，但是大多數情況下 k-means 會被劃分為非監督學習的類型。并不是指定分類的個數，也沒有觀察對象該屬于那個類的任何信息，k-means算法自己“學習”如何聚類。k-means 可以是半監督的。

為什么要使用 k-means 算法呢？我認為大多數人都同意這一點：

k-means 關鍵賣點是它的簡單。它的簡易型意味著它通常要比其他的算法更快更有效，尤其是要大量數據集的情況下更是如此。

他可以這樣改進：

k-means 可以對已經大量數據集進行預先聚類處理，然后在針對每個子類做成本更高點的聚類分析。k-means 也能用來快速的處理“K”和探索數據集中是否有被忽視的模式或關系。

但用k-means 算法也不是一帆風順的：

k means算法的兩個關鍵弱點分別是它對異常值的敏感性和它對初始中心點選擇的敏感性。最后一個需要記住的是， K-means 算法是設計來處理連續數據的。對于離散數據你需要使用一些小技巧后才能讓 K-means 算法奏效。

Kmeans 在哪里使用過呢？ 網上有很多可獲得的 kmeans 聚類算法的語言實現：

 Apache Mahout

 Julia

 R

 SciPy

 Weka

 MATLAB

 SAS

如果決策樹和聚類算法還沒有打動你，那么你會喜歡下一個算法的。

3.支持向量機

它是做什么的呢？支持向量機（SVM）獲取一個超平面將數據分成兩類。以高水準要求來看，除了不會使用決策樹以外，SVM與 C4.5算法是執行相似的任務的。

咦？一個超..什么？ 超平面（hyperplane）是個函數，類似于解析一條線的方程。實際上，對于只有兩個屬性的簡單分類任務來說，超平面可以是一條線的。

其實事實證明：

SVM 可以使用一個小技巧，把你的數據提升到更高的維度去處理。一旦提升到更高的維度中，SVM算法會計算出把你的數據分離成兩類的最好的超平面。

有例子么？當然，舉個最簡單的例子。我發現桌子上開始就有一堆紅球和藍球，如果這這些球沒有過分的混合在一起，不用移動這些球，你可以拿一根棍子把它們分離開。

你看，當在桌上加一個新球時，通過已經知道的棍字的哪一邊是哪個顏色的球，你就可以預測這個新球的顏色了。

最酷的部分是什么呢？SVM 算法可以算出這個超平面的方程。

如果事情變得更復雜該怎么辦？當然了，事情通常都很復雜。如果球是混合在一起的，一根直棍就不能解決問題了。

下面是解決方案：

快速提起桌子，把所有的球拋向空中，當所有的球以正確的方式拋在空中是，你使用一張很大的紙在空中分開這些球。

你可能會想這是不是犯規了。不，提起桌子就等同于把你的數據映射到了高維空間中。這個例子中，我們從桌子表面的二維空間過度到了球在空中的三維空間。

那么 SVM該怎么做呢？通過使用核函數（kernel），我們在高維空間也有很棒的操作方法。這張大紙依然叫做超平面，但是現在它對應的方程是描述一個平面而不是一條線了。根據 Yuval 的說法，一旦我們在三維空間處理問題，超平面肯定是一個面而不是線了。

關于 SVM的解釋思路，Reddit 的 ELI5 和 ML 兩個子版塊上也有兩個很棒的討論帖。

那么在桌上或者空中的球怎么用現實的數據解釋呢？桌上的每個球都有自己的位置，我們可以用坐標來表示。打個比方，一個球可能是距離桌子左邊緣20cm 距離底部邊緣 50 cm，另一種描述這個球的方式是使用坐標(x,y)或者(20,50)表達。x和 y 是代表球的兩個維度。

可以這樣理解：如果我們有個病人的數據集，每個病人可以用很多指標來描述，比如脈搏，膽固醇水平，血壓等。每個指標都代表一個維度。

基本上，SVM 把數據映射到一個更高維的空間然后找到一個能分類的超平面。

類間間隔(margin)經常會和 SVM 聯系起來，類間間隔是什么呢？它是超平面和各自類中離超平面最近的數據點間的距離。在球和桌面的例子中，棍子和最近的紅球和藍球間的距離就是類間間隔(margin)。

SVM 的關鍵在于，它試圖最大化這個類間間隔，使分類的超平面遠離紅球和藍球。這樣就能降低誤分類的可能性。

那么支持向量機的名字是哪里來的？還是球和桌子的例子中，超平面到紅球和藍球的距離是相等的。這些球或者說數據點叫做支持向量，因為它們都是支持這個超平面的。

那這是監督算法還是非監督的呢？SVM 屬于監督學習。因為開始需要使用一個數據集讓 SVM學習這些數據中的類型。只有這樣之后 SVM 才有能力對新數據進行分類。

為什么我們要用 SVM 呢？ SVM 和 C4.5大體上都是優先嘗試的二類分類器。根據“沒有免費午餐原理”，沒有哪一種分類器在所有情況下都是最好的。此外，核函數的選擇和可解釋性是算法的弱點所在。

在哪里使用 SVM？有什么 SVM 的實現方法，比較流行的是用scikit-learn, MATLAB 和 libsvm實現的這幾種。

下面要介紹的算法是我最喜歡的算法之一：

4. Apriori 關聯算法

它是做什么的？Apriori算法學習數據的關聯規則(association rules)，適用于包含大量事務（transcation）的數據庫。

什么是關聯規則？關聯規則學習是學習數據庫中不同變量中的相互關系的一種數據挖掘技術。

舉個 Apriori 算法的例子：我們假設有一個充滿超市交易數據的數據庫，你可以把數據庫想象成一個巨大的電子數據表，表里每一行是一個顧客的交易情況，每一列代表不用的貨物項。

精彩的部分來了：通過使用 Apriori 算法，我們就知道了同時被購買的貨物項，這也叫做關聯規則。它的強大之處在于，你能發現相比較其他貨物來說，有一些貨物更頻繁的被同時購買—終極目的是讓購物者買更多的東西。這些常被一起購買的貨物項被稱為項集（itemset）。

舉個例子，你大概能很快看到“薯條+蘸醬”和“薯條+蘇打水”的組合頻繁的一起出現。這些組合被稱為2-itemsets。在一個足夠大的數據集中，就會很難“看到”這些關系了，尤其當還要處理3-itemset 或者更多項集的時候。這正是 Apriori 可以幫忙的地方！

你可能會對 Apriori 算法如何工作有疑問，在進入算法本質和細節之前，得先明確3件事情：

1.     第一是你的項集的大小，你想看到的模式是2-itemset或3-itemset 還是其他的？
2.     第二是你支持的項集，或者是從事務的總數劃分出的事務包含的項集。一個滿足支持度的項集叫做頻繁項集。
3.     第三是根據你已經統計的項集中某些數據項，計算其他某個數據項出現的信心水準或是條件概率。例如項集中出現的薯片的話，有67%的信心水準這個項集中也會出現蘇打水。

基本的 Apriori 算法有三步：

1. 參與，掃描一遍整個數據庫，計算1-itemsets 出現的頻率。
2. 剪枝，滿足支持度和可信度的這些1-itemsets移動到下一輪流程，再尋找出現的2-itemsets。
3. 重復，對于每種水平的項集 一直重復計算，知道我們之前定義的項集大小為止。

這個算法是監督的還是非監督的？Apriori 一般被認為是一種非監督的學習方法，因為它經常用來挖掘和發現有趣的模式和關系。

但是，等下，還有呢…對Apriori 算法改造一下也能對已經標記好的數據進行分類。

為什么使用Apriori 算法？它易于理解，應用簡單，還有很多的派生算法。

但另一方面…

當生成項集的時候，算法是很耗費內存、空間和時間。

大量的 Apriori 算法的語言實現可供使用。比較流行的是 ARtool, Weka, and Orange。

下一個算法對我來說是最難的，一起來看下吧。

5.EM 最大期望算法 Expectation Maximization

EM 算法是做什么的？在數據挖掘領域，最大期望算法（Expectation-Maximization,EM） 一般作為聚類算法（類似 kmeans 算法）用來知識挖掘。

在統計學上，當估算帶有無法觀測隱藏變量的統計模型參數時,EM 算法不斷迭代和優化可以觀測數據的似然估計值。

好，稍等讓我解釋一下…

我不是一個統計學家，所以希望我的簡潔表達能正確并能幫助理解。

下面是一些概念，能幫我們更好的理解問題。

什么事統計模型？我把模型看做是描述觀測數據是如何生成的。例如，一場考試的分數可能符合一種鐘形曲線，因此這種分數分布符合鐘形曲線（也稱正態分布）的假設就是模型。

等下，那什么是分布？分布代表了對所有可測量結果的可能性。例如，一場考試的分數可能符合一個正態分布。這個正態分布代表了分數的所有可能性。換句話說，給定一個分數，你可以用這個分布來預計多少考試參與者可能會得到這個分數。

這很不錯，那模型的參數又是什么呢？作為模型的一部分，分布屬性正是由參數來描述的。例如，一個鐘形曲線可以用它的均值和方差來描述。

還是使用考試的例子，一場考試的分數分布（可測量的結果）符合一個鐘形曲線（就是分布）。均值是85，方差是100.

那么，你描述正態分布需要的所有東西就是這兩個參數：

1. 平均值
2. 方差

那么，似然性呢？回到我們之前的鐘形曲線例子，假設我們已經拿到很多的分數數據，并被告知分數符合一個鐘形曲線。然而，我們并沒有給到所有的分數，只是拿到了一個樣本。

可以這樣做：

我們不知道所有分數的平均值或者方差，但是我們可以使用樣本計算它們。似然性就是用估計的方差和平均值得到的鐘形曲線在算出很多分數的概率。

換句話說，給定一系列可測定的結果，讓我們來估算參數。再使用這些估算出的參數，得到結果的這個假設概率就被稱為似然性。

記住，這是已存在分數的假設概率，并不是未來分數的概率。

你可能會疑問，那概率又是什么？

還用鐘形曲線的例子解釋，假設我們知道均值和方差。然我們被告知分數符合鐘形曲線。我們觀察到的某些分數的可能性和他們多久一次的被觀測到就是概率。

更通俗的講，給定參數，讓我們來計算可以觀察到什么結果。這就是概率為我們做的事情。

很好，現在，觀測到的數據和未觀測到的隱藏數據區別在哪里？觀測到的數據就是你看到或者記錄的數據。未觀測的數據就是遺失的數據。數據丟失的原因有很多（沒有記錄，被忽視了，等等原因）。

算法的優勢是：對于數據挖掘和聚類，觀察到遺失的數據的這類數據點對我們來說很重要。我們不知道具體的類，因此這樣處理丟失數據對使用 EM 算法做聚類的任務來說是很關鍵的。

再說一次，當估算帶有無法觀測隱藏變量的統計模型參數時,EM 算法不斷迭代和優化可以觀測數據的似然估計值。 希望現在再說更容易理解了。

算法的精髓在于：

通過優化似然性，EM 生成了一個很棒的模型，這個模型可以對數據點指定類型標簽—聽起來像是聚類算法！

EM 算法是怎么幫助實現聚類的呢？EM 算法以對模型參數的猜測開始。然后接下來它會進行一個循環的3步：

1. E 過程：基于模型參數，它會針對每個數據點計算對聚類的分配概率。
2. M 過程：基于 E 過程的聚類分配，更新模型參數。
3. 重復知道模型參數和聚類分配工作穩定（也可以稱為收斂）。

EM 是監督算法還是非監督算法呢？因為我們不提供已經標好的分類信息，這是個非監督學習算法。

為什么使用它？EM 算法的一個關鍵賣點就是它的實現簡單直接。另外，它不但可以優化模型參數，還可以反復的對丟失數據進行猜測。

這使算法在聚類和產生帶參數的模型上都表現出色。在得知聚類情況和模型參數的情況下，我們有可能解釋清楚有相同屬性的分類情況和新數據屬于哪個類之中。

不過EM 算法也不是沒有弱點…

第一，EM 算法在早期迭代中都運行速度很快，但是越后面的迭代速度越慢。

第二，EM 算法并不能總是尋到最優參數，很容易陷入局部最優而不是找到全局最優解。

EM 算法實現可以在  Weka中找到，mclust package里面有 R 語言對算法的實現，scikit-learn的gmm module里也有對它的實現。

6.PageRank算法

算法是做什么的？PageRank是為了決定一些對象和同網絡中的其他對象之間的相對重要程度而設計的連接分析算法(link analysis algorithm)。

那么什么是連接分析算法呢？它是一類針對網絡的分析算法，探尋對象間的關系（也可成為連接）。

舉個例子：最流行的 PageRank 算法是 Google 的搜索引擎。盡管他們的搜索引擎不止是依靠它，但  PageRank依然是 Google 用來測算網頁重要度的手段之一。

解釋一下：

萬維網上的網頁都是互相鏈接的。如果 Rayli.net 鏈接到了 CNN 上的一個網頁，CNN 網頁就增加一個投票，表示 rayli.net 和 CNN 網頁是關聯的。

這還沒有結束：

反過來，來自rayli.net 網頁的投票重要性也要根據 rayli.net 網的重要性和關聯性來權衡。換句話說，任何給 rayli.net 投票的網頁也能提升 rayli.net 網頁的關聯性。

基本概括一下：

投票和關聯性就是 PageRank 的概念。rayli.net 給CNN 投票增加了 CNN 的 Pagerank，rayli.net 的 PageRank級別同時也影響著它為 CNN 投票多大程度影響了CNN 的 PageRank。

那么 PageRank 的0，1，2，3級別是什么意思？ 盡管 Google 并沒有揭露PageRank 的精確含義，我們還是能了解它的大概意思。

我們能通過下面這些網站的PageRank得到些答案：

看到了么？

這排名有點像一個網頁流行度的競爭。我們的頭腦中都有了一些這些網站的流行度和關聯度的信息。

PageRank只是一個特別講究的方式來定義了這些而已。

PageRank還有什么其他應用呢？ PageRank是專門為了萬維網設計的。

可以考慮一下，以核心功能的角度看，PageRank算法真的只是一個處理鏈接分析極度有效率的方法。處理的被鏈接的對象不止只是針對網頁。

下面是 PageRank3個創新的應用：

1.   芝加哥大學的Dr Stefano Allesina，將 PageRank應用到了生態學中，測定哪個物種對可持續的生態系統至關重要。
2.   Twitter 研究出了一種叫 WTF（Who-to-Follow）算法，這是一種個性化的 PageRank推薦關注人的引擎。
3.   香港理工大學的 Bin Jiang 使用一種變形的PageRank來預測基于倫敦地形指標的行人移動速率。

這算法是監督的還是非監督的？PageRank常用來發現一個網頁的重要度關聯度，通常被認為是一種非監督學習算法。

為什么使用PageRank？可以說，PageRank的主要賣點是：由于得到新相關鏈接具有難度，算法依然具有良好的魯棒性。

更簡單一點說，如果你又一個圖或者網絡，并想理解其中元素的相對重要性，優先性，排名或者相關性，可以用PageRank試一試。

哪里使用過它呢？Google 擁有PageRank 的商標。但是斯坦福大學取得了PageRank 算法的專利權。如果使用 PageRank，你可能會有疑問： 我不是律師，所以最好和一個真正的律師確認一下。但是只要和 Google 或斯坦福沒有涉及到商業競爭，應該都是可以使用這個算法的。

給出PageRank 的三個實現：

1 C++ OpenSource PageRank Implementation

2 Python PageRank Implementation

3 igraph – The network analysis package (R)

7.AdaBoost 迭代算法

AdaBoost 算法是做什么的？AdaBoost 是個構建分類器的提升算法。

也許你還記得，分類器拿走大量數據，并試圖預測或者分類新數據元素的屬于的類別。

但是，提升(boost) 指的什么？提升是個處理多個學習算法（比如決策樹）并將他們合并聯合起來的綜合的學習算法。目的是將弱學習算法綜合或形成一個組，把他們聯合起來創造一個新的強學習器。

強弱學習器之間有什么區別呢？弱學習分類器的準確性僅僅比猜測高一點。一個比較流行的弱分類器的例子就是只有一層的決策樹。

另一個，強學習分類器有更高的準確率，一個通用的強學習器的例子就是 SVM。

舉個 AdaBoost 算法的例子：我們開始有3個弱學習器，我們將在一個包含病人數據的數據訓練集上對他們做10輪訓練。數據集里包含了病人的醫療記錄各個細節。

問題來了，那我們怎么預測某個病人是否會得癌癥呢？AdaBoost 是這樣給出答案的：

第一輪，AdaBoost 拿走一些訓練數據，然后測試每個學習器的準確率。最后的結果就是我們找到最好的那個學習器。另外，誤分類的樣本學習器給予一個比較高的權重，這樣他們在下輪就有很高的概率被選中了。

再補充一下，最好的那個學習器也要給根據它的準確率賦予一個權重，并將它加入到聯合學習器中（這樣現在就只有一個分類器了）

第二輪， AdaBoost 再次試圖尋找最好的學習器。

關鍵部分來了，病人數據樣本的訓練數據現在被有很高誤分配率的權重影響著。換句話說，之前誤分類的病人在這個樣本里有很高的出現概率。

為什么？

這就像是在電子游戲中已經打到了第二級，但當你的角色死亡后卻不必從頭開始。而是你從第二級開始然后集中注意，盡力升到第三級。

同樣地，第一個學習者有可能對一些病人的分類是正確的，與其再度試圖對他們分類，不如集中注意盡力處理被誤分類的病人。

最好的學習器也被再次賦予權重并加入到聯合分類器中，誤分類的病人也被賦予權重，這樣他們就有比較大的可能性再次被選中，我們會進行過濾和重復。

在10輪結束的時候，我們剩下了一個帶著不同權重的已經訓練過的聯合學習分類器，之后重復訓練之前回合中被誤分類的數據。

這是個監督還是非監督算法？因為每一輪訓練帶有已經標記好數據集的弱訓練器，因此這是個監督學習。

為什么使用 AdaBoost？AdaBoost算法簡單， 編程相對來說簡潔直白。

另外，它速度快！弱學習器 一般都比強學習器簡單，簡單意味著它們的運行速度可能更快。

還有件事：

因為每輪連續的Adaboost回合都重新定義了每個最好學習器的權重，因此這是個自動調整學習分類器的非常簡潔的算法，你所要做的所有事就是指定運行的