数据挖掘的10大算法我用大白话讲明白了,新手一看就懂
数据挖掘主要分为分类算法,聚类算法和关联规则三大类,这三类基本上涵盖了目前商业市场对算法的所有需求。而这三类里又包含许多经典算法。市面上很多关于数据挖掘算法的介绍深奥难懂,今天就给大家用简单的大白话来介绍数据挖掘十大经典算法原理,帮助大家快速理解。 算法分类 连接分析:PageRank 关联分析:Apriori 分类算法:C4.5,朴素贝叶斯,SVM,KNN,Adaboost,CART 聚类算法:K-Means,EM 一、PageRank当一篇论文被引用的次数越多,证明这篇论文的影响力越大。 一个网页的入口越多,入链越优质,网页的质量越高。 原理 网页影响力=阻尼影响力+所有入链集合页面的加权影响力之和 一个网页的影响力:所有入链的页面的加权影响力之和。 一个网页对其他网页的影响力贡献为:自身影响力/出链数量。 用户并不都是按照跳转链接的方式来上网,还有其他的方式,比如直接输入网址访问。 所以需要设定阻尼因子,代表了用户按照跳转链接来上网的概率。 比喻说明 1、微博 一个人的微博粉丝数不一定等于他的实际影响力,还需要看粉丝的质量如何。 如果是僵尸粉没什么用,但如果是很多大V或者明星关注,影响力很高。 2、店铺的经营 顾客比较多的店铺质量比较好,但是要看看顾客是不是托。 3、兴趣 在感兴趣的人或事身上投入了相对多的时间,对其相关的人事物也会投入一定的时间。那个人或事,被关注的越多,它的影响力/受众也就越大。 关于阻尼因子 1、通过你的邻居的影响力来评判你的影响力,但是如果不能通过邻居来访问你,并不代表你没有影响力,因为可以直接访问你,所以引入阻尼因子的概念。 2、海洋除了有河流流经,还有雨水,但是下雨是随机的。 3、提出阻尼系数,还是为了解决某些网站明明存在大量出链(入链),但是影响力却非常大的情形。 出链例子:hao123导航网页,出链极多入链极少。 入链例子:百度谷歌等搜索引擎,入链极多出链极少。 二、Apriori(关联分析)关联关系挖掘,从消费者交易记录中发掘商品与商品之间的关联关系。 原理 1.支持度 某个商品组合出现的次数与总次数之间的比例。 5次购买,4次买了牛奶,牛奶的支持度为4/5=0.8。 5次购买,3次买了牛奶+面包,牛奶+面包的支持度为3/5=0.6。 2.置信度 购买了商品A,有多大概率购买商品B,A发生的情况下B发生的概率是多少。 买了4次牛奶,其中2次买了啤酒,(牛奶->啤酒)的置信度为2/4=0.5。 买了3次啤酒,其中2次买了牛奶,(啤酒->牛奶)的置信度为2/3-0.67。 3.提升度 衡量商品A的出现,对商品B的出现 概率提升的程度。 提升度(A->B)=置信度(A->B)/支持度(B)。 提升度>1,有提升;提升度=1,无变化;提升度<1,下降。 4.频繁项集 项集:可以是单个商品,也可以是商品组合。 频繁项集是支持度大于最小支持度(Min Support)的项集。 计算过程 1、从K=1开始,筛选频繁项集。 2、在结果中,组合K+1项集,再次筛选。 3、循环1,2步。直到找不到结果为止,K-1项集的结果就是最终结果。 扩展:FP-Growth 算法 Apriori 算法需要多次扫描数据库,性能低下,不适合大数据量。 FP-growth算法,通过构建 FP 树的数据结构,将数据存储在 FP 树中,只需要在构建 FP 树时扫描数据库两次,后续处理就不需要再访问数据库了。 比喻说明:啤酒和尿不湿摆在一起销售 沃尔玛通过数据分析发现,美国有婴儿的家庭中,一般是母亲在家照顾孩子,父亲去超市买尿不湿。 父亲在购买尿不湿时,常常会顺便搭配几瓶啤酒来犒劳自己,于是,超市尝试推出了将啤酒和尿不湿摆在一起的促销手段,这个举措居然使尿不湿和啤酒的销量都大幅增加。 三、AdaBoost原理 简单的说,多个弱分类器训练成为一个强分类器。 将一系列的弱分类器以不同的权重比组合作为最终分类选择。 计算过程 1、初始化基础权重。 2、奖权重矩阵,通过已的分类器计算错误率,选择错误率最低的为最优分类器。 3、通过分类器权重公式,减少正确样本分布,增加错误样本分布,得到新的权重矩阵和当前k轮的分类器权重。 4、将新的权重矩阵,带入上面的步骤2和3,重新计算权重矩阵。 5、迭代N轮,记录每一轮的最终分类器权重,得到强分类器。 比喻说明 1、利用错题提升学习效率 做正确的题,下次少做点,反正都会了。 做错的题,下次多做点,集中在错题上。 随着学习的深入,做错的题会越来越少。 2、合理跨界提高盈利 苹果公司,软硬结合,占据了大部分的手机市场利润,两个领域的知识结合起来产生新收益。 四、C4.5(决策树)决策就是对于一个问题,有多个答案,选择答案的过程就是决策。 C4.5算法是用于产生决策树的算法,主要用于分类。 C4.5使用信息增益率做计算(ID3算法使用信息增益做计算)。 原理 C4.5选择最有效的方式对样本集进行分裂,分裂规则是分析所有属性的信息增益率。 信息增益率越大,意味着这个特征分类的能力越强,我们就要优先选择这个特征做分类。 比喻说明:挑西瓜。 拿到一个西瓜,先判断它的纹路,如果很模糊,就认为这不是好瓜,如果它清晰,就认为它是一个好瓜,如果它稍稍模糊,就考虑它的密度,密度大于某个值,就认为它是好瓜,否则就是坏瓜。 五、CART(决策树)CART:Classification And Regression Tree,中文叫分类回归树,即可以做分类也可以做回归。 什么是分类树、回归树? 分类树:处理离散数据,也就是数据种类有限的数据,输出的是样本的类别 。 回归树:可以对连续型的数值进行预测,输出的是一个数值,数值在某个区间内都有取值的可能。 回归问题和分类问题的本质一样,都是针对一个输入做出一个输出预测,其区别在于输出变量的类型。 原理 CART分类树 与C4.5算法类似,只是属性选择的指标是基尼系数。 基尼系数反应了样本的不确定度,基尼系数越小,说明样本之间的差异性小,不确定程度低。 分类是一个不确定度降低的过程,CART在构造分类树的时候会选择基尼系数最小的属性作为属性的划分。 CART 回归树 采用均方误差或绝对值误差为标准,选取均方误差或绝对值误差最小的特征。 比喻说明 分类:预测明天是阴、晴还是雨。 回归:预测明天的气温是多少度。 六、朴素贝叶斯(条件概率)朴素贝叶斯是一种简单有效的常用分类算法,计算未知物体出现的条件下各个类别出现的概率,取概率最大的分类。 (编辑:51站长网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |