數據挖掘領域經典算法

偶見網頁數據挖掘領域十大經典算法，心血來潮，在學習的同時也想驗驗有哪些知道哪些實現過。

2006年12月，國際權威的學術組織the IEEE International Conference on Data Mining (ICDM)閑著沒事或者為了提高點會議知名度評選了數據挖掘領域的十大經典算法。首先來看看參加評選的18個候選算法。

1：C4.5

C4.5就是一個決策樹算法，它是決策樹(決策樹也就是做決策的節點間的組織方式像一棵樹，其實是一個倒樹)核心算法ID3的改進算法，所以基本上了解了一半決策樹構造方法就能構造它。決策樹構造方法其實就是每次選擇一個好的特征以及分裂點作為當前節點的分類條件。C4.5比ID3改進的地方時：

1)       ID3選擇屬性用的是子樹的信息增益(這里可以用很多方法來定義信息，ID3使用的是熵(entropy)(熵是一種不純度度量準則)),也就是熵的變化值.而C4.5用的是信息增益率。也就是多了個率嘛。一般來說率就是用來取平衡用的，就像方差起的作用差不多，比如有兩個跑步的人，一個起點是10m/s的人、其1s后為20m/s；另一個人起速是1m/s、其1s后為2m/s。如果緊緊算差值那么兩個差距就很大了，如果使用速度增加率(加速度)來衡量，2個人就是一樣了。在這里，其克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足。

2)       在樹構造過程中進行剪枝，我在構造決策樹的時候好討厭那些掛著幾個元素的節點。對于這種節點，干脆不考慮最好，不然很容易導致overfitting。

3)       對非離散數據都能處理，這個其實就是一個個式，看對于連續型的值在哪里分裂好。也就是把連續性的數據轉化為離散的值進行處理。

4)       能夠對不完整數據進行處理，這個重要也重要，其實也沒那么重要，缺失數據采用一些方法補上去就是了。

2：CART

CART也是一種決策樹算法！相對于上著有條件實現一個節點下面有多個子樹的多元分類，CART只是分類兩個子樹，這樣實現起來稍稍簡便些。所以說CART算法生成的決策樹是結構簡潔的二叉樹。

3：KNN(K Nearest Neighbours)

這個很簡單，就是看你周圍的K個人(樣本)那個類別的人占的多，那個多那我也是那個多的。實現起來就是對每個訓練樣本都計算與其相似度，選擇相似度Top-K個訓練樣本出來，看這K個樣本中那個類別的多些，誰多跟誰。

4：Na?ve Bayes(樸素貝葉斯NB)

NB認為各個特征是獨立的，誰也不關誰的事。所以一個樣本(特征值的集合，比如”數據結構”出現2詞，“文件”出現1詞)，可以通過對其所有出現特征在給定類別的概率相乘。比如“數據結構”出現在類1的概率為0.5，“文件”出現在類1的概率為0.3，則可認為其屬于類1的概率為0.5*0.5*0.3。

5：Support Vector Machine(支持向量機SVM)

SVM就是想找一個分類得最”好”的分類線/分類面(最近的一些兩類樣本到這個”線”的距離最遠)。這個沒具體實現過，上次聽課，那位老師自稱自己實現了SVM，敬佩其鉆研精神。常用的工具包是LibSVM,SVMLight,MySVM.

6：EM(期望最大化)

這個我認為就是假設數據時由幾個高斯分布組成的，所以最后就是要求幾個高斯分布的參數。通過先假設幾個值，然后通過反復迭代，以期望得到最好的擬合。

7：Apriori

這個是做關聯規則用的。不知道為什么，一提高關聯規則我就想到購物籃數據。這個沒實現過，不過也還要理解，它就是通過支持度和置信度兩個量來工作，不過對于Apriori，它通過頻繁項集的一些規律(頻繁項集的子集必定是頻繁項集等等啦)來減少計算復雜度。

8：FP-Tree(Mining frequent patterns without candidate generation)

這個也不太清楚。FP-growth算法(Frequent Pattern-growth)使用了一種緊縮的數據結構來存儲查找頻繁項集所需要的全部信息。采用算法：將提供頻繁項集的數據庫壓縮到一棵FP-tree來保留項集關聯信息，然后將壓縮后的數據庫分成一組條件數據庫（一種特殊類型的投影數據庫），每個條件數據庫關聯一個頻繁項集。

9：PageRank

大名鼎鼎的PageRank大家應該都知道(Google靠此專利發家，其實也不能說發家啦!)。對于這個算法我的理解就是：如果我指向你(網頁間的連接)則表示我承認你，則在計算你的重要性的時候可以加上我的一部分重要性(到底多少，要看我自己有多少和我共承認多少個人)。通過反復這樣來，可以求的一個穩定的衡量各個人(網頁)重要性的值。不過這里必須要做些限制(一個人的開始默認重要性都是1)，不然那些值會越來越大越來越大。

10：HITS

HITS也是一個連接分析算法，它是由IBM首先提出的。在HITS，每個節點(網頁)都有一個重要度和權威度(Hubs and authorities,我也忘了具體的翻譯是什么了)。通過反復通過權威度來求重要度，通過重要度來求權威度得到最后的權威度和重要度。

11：K-Means

K-Means是一種最經典也是使用最廣泛的聚類方法，時至今日任然有很多基于其的改進模型提出。K-Means的思想很簡單，對于一個聚類任務(你需要指明聚成幾個類，當然按照自然想法來說不應該需要指明類數，這個問題也是當前聚類任務的一個值得研究的課題)，首先隨機選擇K個簇中心，然后反復計算下面的過程直到所有簇中心不改變(簇集合不改變)為止：步驟1：對于每個對象，計算其與每個簇中心的相似度，把其歸入與其最相似的那個簇中。

步驟2：更新簇中心，新的簇中心通過計算所有屬于該簇的對象的平均值得到。

k-means 算法的工作過程說明如下：首先從n個數據對象任意選擇 k 個對象作為初始聚類中心；而對于所剩下其它對象，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標準測度函數開始收斂為止。一般都采用均方差作為標準測度函數. k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。

12：BIRCH

BIRCH也是一種聚類算法，其全稱是Balanced Iterative Reducing and Clustering using Hierarchies。BIRCH也是只是看了理論沒具體實現過。是一個綜合的層次聚類特征(Clustering Feature, CF)和聚類特征樹(CF Tree)兩個概念，用于概括聚類描述。聚類特征樹概括了聚類的有用信息，并且占用空間較元數據集合小得多，可以存放在內存中，從而可以提高算法在大型數據集合上的聚類速度及可伸縮性。

BIRCH算法包括以下兩個階段：

1）掃描數據庫，建立動態的一棵存放在內存的CF Tree。如果內存不夠，則增大閾值，在原樹基礎上構造一棵較小的樹。

2）對葉節點進一步利用一個全局性的聚類算法，改進聚類質量。

由于CF Tree的葉節點代表的聚類可能不是自然的聚類結果，原因是給定的閾值限制了簇的大小，并且數據的輸入順序也會影響到聚類結果。因此需要對葉節點進一步利用一個全局性的聚類算法，改進聚類質量。

13：AdaBoost

AdaBoost做分類的一般知道，它是一種boosting方法。這個不能說是一種算法，應該是一種方法，因為它可以建立在任何一種分類算法上，可以是決策樹，NB，SVM等。

Adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構成一個更強的最終分類器(強分類器)。其算法本身是通過改變數據分布來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權值。將修改過權值的新數據集送給下層分類器進行訓練，最后將每次訓練得到的分類器最后融合起來，作為最后的決策分類器。使用adaboost分類器可以排除一些不必要的訓練數據，并將關鍵放在關鍵的訓練數據上面。

14：GSP

GSP，全稱為Generalized Sequential Pattern(廣義序貫模式)，是一種序列挖掘算法。對于序列挖掘沒有仔細看過，應該是基于關聯規則的吧！網上是這樣說的：

GSP類似于Apriori算法，采用冗余候選模式的剪除策略和特殊的數據結構-----哈希樹來實現候選模式的快速訪存。

GSP算法描述:

1）掃描序列數據庫，得到長度為1的序列模式L1，作為初始的種子集。

2）根據長度為i 的種子集Li ，通過連接操作和修剪操作生成長度為i+1的候選序列模式Ci+1；然后掃描序列數據庫，計算每個候選序列模式的支持度，產生長度為i+1的序列模式Li+1，并將Li+1作為新的種子集。

3）重復第二步，直到沒有新的序列模式或新的候選序列模式產生為止。

產生候選序列模式主要分兩步：

連接階段：如果去掉序列模式s1的第一個項目與去掉序列模式s2的最后一個項目所得到的序列相同，則可以將s1與s2進行連接，即將s2的最后一個項目添加到s1中。

修切階段：若某候選序列模式的某個子序列不是序列模式，則此候選序列模式不可能是序列模式，將它從候選序列模式中刪除。

候選序列模式的支持度計算：對于給定的候選序列模式集合C，掃描序列數據庫，對于其中的每一條序列s,找出集合C中被s所包含的所有候選序列模式，并增加其支持度計數。

15：PrefixSpan

又是一個類似Apriori的序列挖掘算法。不了解。

16：CBA

暈，還以為是Chinese Basketball Association呢！原來CBA(classification based on association)是基于關聯規則發現方法的分類算法。該算法分兩個步驟構造分類器。第一步：發現所有形如xi1∧x => Ci 的關聯規則，即右部為類別屬性值的類別關聯規則(classification association rules，CAR)。第二步：從已發現的CAR中選擇高優先度的規則來覆蓋訓練集，也就是說，如果有多條關聯規則的左部相同，而右部為不同的類，則選擇具有最高置信度的規則作為可能規則。

17：Finding reduct

18：gSpan

這兩位都不怎么了解。Finding reduct是粗糙集約減算法。gSpan是圖挖掘算法。

當然最后奪得前十名頭銜的分別是：C4.5，K-Means，SVM，Apriori，EM，PageRank，AdaBoost，KNN，NB和CART。