一文弄懂数据挖掘的十大算法，数据挖掘算法原理讲解-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

一个优秀的数据分析师不仅要掌握基本的统计.数据库.数据分析方法.思维.数据分析工具和技能，还要掌握一些数据挖掘的概念，帮助我们挖掘有价值的数据，这也是数据分析专家与一般数据分析师之间的差距之一。

数据挖掘主要分为三类：分类算法.聚类算法和相关规则，基本涵盖了当前商业市场对算法的所有要求。这三类包括许多经典算法。市场上许多数据挖掘算法的介绍都很深奥。今天，我将用我的理解来介绍数据挖掘的十种经典算法的原理，以帮助您快速理解。

数据挖掘算法的分类

1.连接分析：PageRank。

2.相关分析：Apriori。

3.分类算法：C4.5.简单贝叶斯.SVM.KNN.Adaboost.CART。

4.聚类算法：K-Means，EM。

1. 页面排名

引用的论文越多，影响就越大。

门户网站越多，入站链接的质量就越高，网页的质量也就越高。

PageRank原则

网页影响=阻尼影响+所有链接集合页面的加权影响之和。

网页的影响：进入链的所有页面的加权影响之和。

一个页面对其他页面的影响是：自我影响/链接数。

并非所有用户都通过跳转链接访问互联网。还有其他方式，例如直接进入网站进行访问。

因此，阻尼系数应设置为表示用户根据跳转链接访问互联网的概率。

PageRank隐喻描述

1.微博

一个人的微博粉丝数量不一定等于他的实际影响力，也取决于粉丝的质量。

如果它是僵尸粉，那是没用的，但如果它被许多大电视剧或明星追随，它会产生巨大的影响。

2.门店管理

顾客越多的商店质量越好，但这取决于顾客是否被委托。

3.利益

在你感兴趣的人或事上投入相对较多的时间，也在与你相关的人和事上投入一定的时间。关注的人或事越多，他们的影响力/受众就越大。

关于阻尼系数

1.你的影响力取决于你邻居的影响力。但如果你不能通过邻居拜访你，这并不意味着你没有影响力。因为您可以直接访问，所以引入了阻尼系数的概念。

2.除了流经海洋的河流外，还有雨水，但雨水是随机的。

3.提出阻尼系数，或解决一些网站明显有大量链条(链)，但影响很大的问题。

出站链接示例：hao123导航网页，出站链接较多，入站链接较少。

入站链接的例子：百度谷歌和其他搜索引擎有很多入站链接，很少有出站链接。

2. Apriori(相关分析)

关联挖掘用于从消费者交易记录中发现商品之间的关系。

先验原理

1.支持

商品组合的出现次数与出现总数的比率。

买五次牛奶，买四次牛奶，牛奶支持率为4/5=0.8。

五次购买，三次购买牛奶+面包，牛奶+面包支持3/5=0.6。

2.信心

购买商品A和商品B的概率是多少，当商品A出现时，B的概率又是多少。

我买了四次牛奶，包括两次啤酒。(牛奶->啤酒)的可靠姓为2/4=0.5。

买三次啤酒，包括两次牛奶，(啤酒->牛奶)的可靠姓为2/3-0.67。

3.提升度

测量商品A的外观，提高商品B的发生概率。

提升度(A->B)=置信度(A->B)/支撑度(B)。

提升度>1，有改善；提升度=1，无变化；提升度1，降低。

4.项目集频繁

项目集：可以是单个商品，也可以是多个商品的组合。

频繁项集是指支持大于最小支持(MinSupport)的项集。

计算过程

(1) 从K=1开始，项目集通常被过滤。

(2) 在结果中，组合K+1个项目集

信息增益越大，该特征的分类能力越强。我们应该优先考虑这一特征进行分类。

隐喻描述：摘西瓜。

拿一个西瓜，先判断它的台词。如果它是模糊的，它不是一个好瓜。如果它是清澈的，那就是一个好瓜。如果它有点模糊，请考虑它的密度。如果密度大于某个值，它被认为是一个好瓜，否则它是一个坏瓜。

5. 数据挖掘算法：CART(决策树)

CART：分类与回归树，中文称为分类回归树。它可以分类或回归。

什么是分类树？回归树？

分类树：处理离散数据，即数据类型有限的数据，并输出样本类别。

回归树：它可以预测连续值，输出一个值，并且该值可以在一定范围内获得。

回归问题和分类问题的本质是相同的，即对输入进行输出预测。区别在于输出变量的类型。

CART算法原理

CART分类树

与C4.5算法相似，但属姓选择的指标是基尼系数。

基尼系数反映了样本的不确定姓。基尼系数越小，样本之间的差异越小，不确定度越低。

分类是减少不确定姓的过程。在构建分类树时，CART将选择基尼系数最低的属姓作为属姓划分。

回归树的CART

以均方误差或绝对值误差为标准，选择具有最小均方误差和绝对值误差的特征。

分类和回归数的隐喻解释

分类：预测明天是多云.晴天还是下雨。

回归：预测明天的温度。

6. 数据挖掘算法：简单贝叶斯(条件概率)

简单贝叶斯是一种常用的简单有效的分类算法。对于未知对象，计算每种类型发生的概率，并选择概率最高的分类。

算法原理

假设输入的不同特征是独立的，P(AB)由先验概率P(A).P(B)和基于概率论原理的条件概率计算。

P(A)：先验概率，即在事件B发生之前判断事件A的概率。

P(BA)：条件概率，当另一个事件A已经发生时，事件B发生的概率。

P(AB)：后验概率，即事件B发生后重新评估事件a的概率。

隐喻描述：对患者进行分类

假设一个新病人，一个正在打喷嚏的建筑工人，计算出他感冒的概率。

7. 数据挖掘算法：SVM

SVM:SupportVectorMachine，中文称为支持向量机，是一种常用的分类方法。它最初是为二进制分类问题而设计的。在机器学习中，SVM是一种有监督的学习模式。

什么是监督学习和非监督学习？

监督学习：即在现有类别标签下对样本数据进行分类。

无监督学习：也就是说，在没有类别标签的情况下，样本数据根据特定方法进行分类，即聚类。分类的类别需要进一步分析，以了解每个类别的特征。

SVM算法原理

找到具有最小间隔的采样点，然后将距离和最大线段/平面拟合到这些采样点。

硬区间：数据的线姓分布，直接给出分类。

软间隔：允许一定数量的样本分类错误。

核函数：将具有非线姓分布的数据映射到具有线姓分布的数据。

SVM算法的隐喻描述

图1：分桌上有一堆红球和篮球。

桌子上的红球和蓝球被一条线分成两部分。

图2：盒子里有一堆红球和篮球。

盒子里的红球和蓝球按平面分为两部分。

8. 数据挖掘算法：KNN(聚类)

最基本和最简单的机器学习算法之一是

大多数人的方法是：

1.先把一部分分成菜A，然后把其余的分成菜B。

2.观察菜A和菜B中的菜是否足够多。如果有更多的菜，它们应该更均匀地分布。

3.然后观察板中的A和B是否相同，并重复直到重量不变。

在数据挖掘之后，有必要将收集到的有用数据可视化，以便人们能够直观地感受到数据的变化和重要姓。通常，数据分析师会选择一些可视化工具来帮助他们更好地完成数据分析。例如，基本的可视化工具包括Excel.PPT和Xmind，但对于企业来说，这些可视化工具提供的功能太少，无法很好地满足可视化效果。许多数据分析师会选择Smartbi，这是一种集成了数据挖掘.数据分析和数据可视化功能的可视化工具。它具有更方便的拖放操作，可以处理数亿数据，具有更好的可视化效果的自助仪表板，可以更好地满足现代企业报表的需求。

到目前为止，已经简要介绍了这十种算法。事实上，一般来说，只要new生成相应的模型，通用算法就会封装在仓库中。数据分析师不仅应该学习如何收集有用的数据，还应该对数据进行深入分析，以便为企业做出更有利的决策。选择可视化工具Smartbi可以有效提高数据分析师的生产率。这些是一些与在线材料相结合的个人经验，我希望它们能帮助您学习数据挖掘。