數(shù)據(jù)挖掘領(lǐng)域經(jīng)典算法

偶見網(wǎng)頁數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)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(xiàn)過。

2006年12月，國際權(quán)威的學術(shù)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(shù)據(jù)挖掘領(lǐng)域的十大經(jīng)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(jié)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(gòu)造方法就能構(gòu)造它。決策樹構(gòu)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(jié)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(gòu)造過程中進行剪枝，我在構(gòu)造決策樹的時候好討厭那些掛著幾個元素的節(jié)點。對于這種節(jié)點，干脆不考慮最好，不然很容易導致overfitting。

3)       對非離散數(shù)據(jù)都能處理，這個其實就是一個個式，看對于連續(xù)型的值在哪里分裂好。也就是把連續(xù)性的數(shù)據(jù)轉(zhuǎn)化為離散的值進行處理。

4)       能夠?qū)Σ煌暾麛?shù)據(jù)進行處理，這個重要也重要，其實也沒那么重要，缺失數(shù)據(jù)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(xiàn)一個節(jié)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(xiàn)起來稍稍簡便些。所以說CART算法生成的決策樹是結(jié)構(gòu)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(xiàn)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(guān)誰的事。所以一個樣本(特征值的集合，比如”數(shù)據(jù)結(jié)構(gòu)”出現(xiàn)2詞，“文件”出現(xiàn)1詞)，可以通過對其所有出現(xiàn)特征在給定類別的概率相乘。比如“數(shù)據(jù)結(jié)構(gòu)”出現(xiàn)在類1的概率為0.5，“文件”出現(xiàn)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(xiàn)過，上次聽課，那位老師自稱自己實現(xiàn)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(shè)數(shù)據(jù)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(shù)。通過先假設(shè)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(guān)聯(lián)規(guī)則用的。不知道為什么，一提高關(guān)聯(lián)規(guī)則我就想到購物籃數(shù)據(jù)。這個沒實現(xiàn)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(guī)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(shù)據(jù)結(jié)構(gòu)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(shù)據(jù)庫壓縮到一棵FP-tree來保留項集關(guān)聯(lián)信息，然后將壓縮后的數(shù)據(jù)庫分成一組條件數(shù)據(jù)庫（一種特殊類型的投影數(shù)據(jù)庫），每個條件數(shù)據(jù)庫關(guān)聯(lián)一個頻繁項集。

9：PageRank

大名鼎鼎的PageRank大家應(yīng)該都知道(Google靠此專利發(fā)家，其實也不能說發(fā)家啦!)。對于這個算法我的理解就是：如果我指向你(網(wǎng)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(wěn)定的衡量各個人(網(wǎng)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(jié)點(網(wǎng)頁)都有一個重要度和權(quán)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(quán)威度來求重要度，通過重要度來求權(quán)威度得到最后的權(quán)威度和重要度。

11：K-Means

K-Means是一種最經(jīng)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(wù)(你需要指明聚成幾個類，當然按照自然想法來說不應(yīng)該需要指明類數(shù)，這個問題也是當前聚類任務(wù)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(shù)據(jù)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(jù)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(shù)開始收斂為止。一般都采用均方差作為標準測度函數(shù). 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(xiàn)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(shù)據(jù)集合小得多，可以存放在內(nèi)存中，從而可以提高算法在大型數(shù)據(jù)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(shù)據(jù)庫，建立動態(tài)的一棵存放在內(nèi)存的CF Tree。如果內(nèi)存不夠，則增大閾值，在原樹基礎(chǔ)上構(gòu)造一棵較小的樹。

2）對葉節(jié)點進一步利用一個全局性的聚類算法，改進聚類質(zhì)量。

由于CF Tree的葉節(jié)點代表的聚類可能不是自然的聚類結(jié)果，原因是給定的閾值限制了簇的大小，并且數(shù)據(jù)的輸入順序也會影響到聚類結(jié)果。因此需要對葉節(jié)點進一步利用一個全局性的聚類算法，改進聚類質(zhì)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(yīng)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(gòu)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(shù)據(jù)分布來實現(xiàn)的，它根據(jù)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(quán)值。將修改過權(quán)值的新數(shù)據(jù)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(shù)據(jù)，并將關(guān)鍵放在關(guān)鍵的訓練數(shù)據(jù)上面。

14：GSP

GSP，全稱為Generalized Sequential Pattern(廣義序貫?zāi)Ｊ?，是一種序列挖掘算法。對于序列挖掘沒有仔細看過，應(yīng)該是基于關(guān)聯(lián)規(guī)則的吧！網(wǎng)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(shù)據(jù)結(jié)構(gòu)-----哈希樹來實現(xiàn)候選模式的快速訪存。

GSP算法描述:

1）掃描序列數(shù)據(jù)庫，得到長度為1的序列模式L1，作為初始的種子集。

2）根據(jù)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(shù)據(jù)庫，計算每個候選序列模式的支持度，產(chǎn)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?jīng)]有新的序列模式或新的候選序列模式產(chǎn)生為止。

產(chǎn)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(shù)據(jù)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(shù)。

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(guān)聯(lián)規(guī)則發(fā)現(xiàn)方法的分類算法。該算法分兩個步驟構(gòu)造分類器。第一步：發(fā)現(xiàn)所有形如xi1∧x => Ci 的關(guān)聯(lián)規(guī)則，即右部為類別屬性值的類別關(guān)聯(lián)規(guī)則(classification association rules，CAR)。第二步：從已發(fā)現(xiàn)的CAR中選擇高優(yōu)先度的規(guī)則來覆蓋訓練集，也就是說，如果有多條關(guān)聯(lián)規(guī)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(guī)則作為可能規(guī)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。