国际威望的学术组织the IEEE International Conference on Data Mining (ICDM) 评选出了数据发掘范畴的十大经典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART.
不只仅是选中的十大算法，其实参加评选的18种算法，实践上随意拿出一种来都可以称得上是经典算法，它们在数据发掘范畴都产生了极为深远的影响。
C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法. C4.5算法承继了ID3算法的优点，并在以下几方面对ID3算法停止了改进：
1) 用信息增益率来选择属性，克制了用信息增益选择属性时倾向选择取值多的属性的不足；
2) 在树构造过程中停止剪枝；
3) 可以完成对延续属性的团圆化处理；
4) 可以对不残缺数据停止处理。
C4.5算法有如下优点：产生的分类规则易于了解，准确率较高。其缺陷是：在构造树的过程中，需求对数据集停止多次的顺序扫描和排序，因此导致算法的低效。
The k-means algorithm 即K-Means算法
k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。它与处理混合正态分布的最大希冀算法很相似，由于他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量，并且目的是使各个群组外部的均方误差总和最小。
Support vector machines
支持向量机，英文为Support Vector Machine，简称SV机（论文中普通简称SVM）。它是一种监督式学习的方法，它广泛的运用于统计分类以及回归分析中。
支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的间隔最大化。假定平行超平面间的间隔或差距越大，分类器的总误差越小。
一个极好的指南是C.J.C Burges的《形式辨认支持向量机指南》。van der Walt 和 Barnard 将支持向量机和其他分类器停止了比较。
The Apriori algorithm
Apriori算法是一种最有影响的发掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，一切支持度大于最小支持度的项集称为频繁项集，简称频集。
最大希冀(EM)算法
在统计计算中，最大希冀（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中寻觅参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variabl）。最大希冀常常用在机器学习和计算机视觉的数据集聚（Data Clustering）范畴。
PageRank
PageRank是Google算法的重要内容。2001年9月被授予美国专利，专利人是Google创始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指网页，而是指佩奇，即这个等级方法是以佩奇来命名的。
PageRank根据网站的外部链接和外部链接的数量和质量衡量网站的价值。
PageRank背后的概念是，每个到页面的链接都是对该页面的一次投票，被链接的越多，就意味着被其他网站投票越多。这个就是所谓的“链接盛行度”——衡量多少人情愿将他们的网站和你的网站挂钩。PageRank这个概念引自学术中一篇论文的被引述的频度——即被别人引述的次数越多，普通判别这篇论文的威望性就越高。
AdaBoost
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器 (强分类器)。
其算法本身是经过改变数据分布来完成的，它根据每次训练集之中每个样本的分类能否正确，以及上次的总体分类的准确率，来确定每个样本的权值。
将修正过权值的新数据集送给下层分类器停止训练，最后将每次训练得到的分类器最后交融起来，作为最后的决策分类器。
KNN: k-nearest neighbor classification
K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个实际上比较成熟的方法，也是最简单的机器学习算法之一。
该方法的思绪是：假如一个样本在特征空间中的k个最相似(即特征空间中最临近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
Naive Bayes
在众多的分类模型中，运用最为广泛的两种分类模型是决策树模型
(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBC）。
朴素贝叶斯模型发源于古典数学实际，有着坚实的数学基础，以及波动的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。
实际上，NBC模型与其他分类方法相比具有最小的误差率。但是实践上并非总是如此，这是由于NBC模型假设属性之间互相独立，这个假设在实践运用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。
在属性个数比较多或者属性之间相关性较大时，NBC模型的分类效率比不上决策树模型。而在属性相关性较小时，NBC模型的功能最为良好。
CART: 分类与回归树
CART, Classification and Regression Trees。 在分类树下面有两个关键的思想。第一个是关于递归地划分自变量空间的想法；第二个想法是用验证数据停止剪枝。
来源：大数据迷信 ID: afenxicom |
