没有合适的资源?快使用搜索试试~ 我知道了~
资源详情
资源评论
资源推荐
数据挖掘十大经典算法
国际权威的学术组织 the IEEE International Conference on Data Mining (ICDM) 2006 年 12 月评
选出了数据挖掘领域的十大经典算法:C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost,
kNN, Naive Bayes, and CART.
不仅仅是选中的十大算法,其实参加评选的 18 种算法,实际上随便拿出一种来都可以称得上
是经典算法,它们在数据挖掘领域都产生了极为深远的影响。
1. C4.5
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 算法继承
了 ID3 算法的优点,并在以下几方面对 ID3 算法进行了改进:
1) 用信息增益率来选择属性,克服了用信息增益选择属性时偏向选择取值多的属性的不足;
2) 在树构造过程中进行剪枝;
3) 能够完成对连续属性的离散化处理;
4) 能够对不完整数据进行处理。
C4.5 算法有如下优点:产生的分类规则易于理解,准确率较高。其缺点是:在构造树的过程
中,需要对数据集进行多次的顺序扫描和排序,因而导致算法的低效。
2. 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期望算法很相似,因为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,并且目标是使各个群组内部的均方误差总和最小。
3. Support vector machines
支持向量机,英文为 Support Vector Machine,简称 SV 机(论文中一般简称 SVM)。它是一
种監督式學習的方法,它广泛的应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距离最大化。假定平行超平
面间的距离或差距越大,分类器的总误差越小。一个极好的指南是 C.J.C Burges 的《模式识
别支持向量机指南》。van der Walt 和 Barnard 将支持向量机和其他分类器进行了比较。
4. The Apriori algorithm
Apriori 算法是一种最有影响的挖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,所有支持
度大于最小支持度的项集称为频繁项集,简称频集。
5. 最大期望(EM)算法
在统计计算中,最大期望(EM,Expectation–Maximization)算法是在概率(probabilistic)模
型中寻找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)。最大期望经常用在机器学习和计算机视觉的数据集聚(Data Clustering)领域。
6. 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内部链接的数量和质量俩衡量网站的价值。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―链接流行度‖——衡量多少人愿意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,
一般判断这篇论文的权威性就越高。
7. 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)。其算法本身是通过
改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体
分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,
最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。
8. kNN: k-nearest neighbor classification
K 最近邻(k-Nearest Neighbor,KNN)分类算法,是一个理论上比较成熟的方法,也是最简单
的机器学习算法之一。该方法的思路是:如果一个样本在特征空间中的 k 个最相似(即特征空
间中最邻近)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。
9. Naive Bayes
在众多的分类模型中,应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理论,有着
坚实的数学基础,以及稳定的分类效率。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。理论上,NBC 模型与其他分类方法相比具有最小的误差率。但
是实际上并非总是如此,这是因为 NBC 模型假设属性之间相互独立,这个假设在实际应用
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 模型的性能最为良好。
10. 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进行剪枝。
数据挖掘十大经典算法(1)C4.5
机器学习中,决策树是一个预测模型;他代表的是对象属性与对象值之间的一种映射关系。
树中每个节点表示某个对象,而每个分叉路径则代表的某个可能的属性值,而每个叶结点则
对应从根节点到该叶节点所经历的路径所表示的对象的值。决策树仅有单一输出,若欲有复
数输出,可以建立独立的决策树以处理不同输出。
从数据产生决策树的机器学习技术叫做决策树学习, 通俗说就是决策树。
决策树学习也是数据挖掘中一个普通的方法。在这里,每个决策树都表述了一种树型结构,
他由他的分支来对该类型的对象依靠属性进行分类。每个决策树可以依靠对源数据库的分割
进行数据测试。这个过程可以递归式的对树进行修剪。当不能再进行分割或一个单独的类可
以被应用于某一分支时,递归过程就完成了。另外,随机森林分类器将许多决策树结合起来
以提升分类的正确率。
决策树同时也可以依靠计算条件概率来构造。决策树如果依靠数学的计算方法可以取得更加
理想的效果。
决策树是如何工作的?
决策树一般都是自上而下的来生成的。
选择分割的方法有好几种,但是目的都是一致的:对目标类尝试进行最佳的分割。
从根到叶子节点都有一条路径,这条路径就是一条―规则‖。
决策树可以是二叉的,也可以是多叉的。
对每个节点的衡量:
1) 通过该节点的记录数
2) 如果是叶子节点的话,分类的路径
3) 对叶子节点正确分类的比例。
有些规则的效果可以比其他的一些规则要好。
由于 ID3 算法在实际应用中存在一些问题,于是 Quilan 提出了 C4.5 算法,严格上说 C4.5 只
能是 ID3 的一个改进算法。相信大家对 ID3 算法都很.熟悉了,这里就不做介绍。
C4.5 算法继承了 ID3 算法的优点,并在以下几方面对 ID3 算法进行了改进:
1) 用信息增益率来选择属性,克服了用信息增益选择属性时偏向选择取值多的属性的不足;
2) 在树构造过程中进行剪枝;
3) 能够完成对连续属性的离散化处理;
4) 能够对不完整数据进行处理。
C4.5 算法有如下优点:产生的分类规则易于理解,准确率较高。其缺点是:在构造树的过程
中,需要对数据集进行多次的顺序扫描和排序,因而导致算法的低效。此外,C4.5 只适合于
能够驻留于内存的数据集,当训练集大得无法在内存容纳时程序无法运行。
来自搜索的其他内容:
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.
分类决策树算法是从大量事例中进行提取分类规则的自上而下的决策树.
决策树的各部分是:
根: 学习的事例集.
枝: 分类的判定条件.
叶: 分好的各个类.
§4.3.2 ID3 算法
1.概念提取算法 CLS
1) 初始化参数 C={E},E 包括所有的例子,为根.
2) IF C 中的任一元素 e 同属于同一个决策类则创建一个叶子
节点 YES 终止.
ELSE 依启发式标准,选择特征 Fi={V1,V2,V3,... Vn}并创建
判定节点
划分 C 为互不相交的 N 个集合 C1,C2,C3,...,Cn;
3) 对任一个 Ci 递归.
2. ID3 算法
1) 随机选择 C 的一个子集 W (窗口).
2) 调用 CLS 生成 W 的分类树 DT(强调的启发式标准在后).
3) 顺序扫描 C 搜集 DT 的意外(即由 DT 无法确定的例子).
4) 组合 W 与已发现的意外,形成新的 W.
5) 重复 2)到 4),直到无例外为止.
启发式标准:
只跟本身与其子树有关,采取信息理论用熵来量度.
熵是选择事件时选择自由度的量度,其计算方法为
P = freq(Cj,S)/|S|;
INFO(S)= - SUM( P*LOG(P) ) ; SUM()函数是求 j 从 1 到 n 和.
Gain(X)=Info(X)-Infox(X);
Infox(X)=SUM( (|Ti|/|T|)*Info(X);
为保证生成的决策树最小,ID3 算法在生成子树时,选取使生成的子树的熵(即 Gain(S))最小的
的特征来生成子树.
§4.3.3: ID3 算法对数据的要求
1. 所有属性必须为离散量.
2. 所有的训练例的所有属性必须有一个明确的值.
3. 相同的因素必须得到相同的结论且训练例必须唯一.
§4.3.4: C4.5 对 ID3 算法的改进:
1. 熵的改进,加上了子树的信息.
Split_Infox(X)= - SUM( (|T|/|Ti| ) *LOG(|Ti|/|T|) );
Gain ratio(X)= Gain(X)/Split Infox(X);
2. 在输入数据上的改进.
1)
因素属性的值可以是连续量,C4.5 对其排序并分成不同的集合后按照 ID3 算法当作离散量进
行处理,但结论属性的值必须是离散值.
2) 训练例的因素属性值可以是不确定的,以 ? 表示,但结论必须是确定的
3. 对已生成的决策树进行裁剪,减小生成树的规模.
数据挖掘十大经典算法(2) k-means
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期望算法很相似,因为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,并且目标是使各个群组内部的均方误差总和最小。
假设有 k 个群组 Si, i=1,2,...,k。μi 是群组 Si 内所有元素 xj 的重心,或叫中心点。
k 平均聚类发明于 1956 年, 该算法最常见的形式是采用被称为劳埃德算法(Lloyd algorithm)
的迭代式改进探索法。劳埃德算法首先把输入点分成 k 个初始化分组,可以是随机的或者使
用一些启发式数据。然后计算每组的中心点,根据中心点的位置把对象分到离它最近的中心,
重新确定分组。继续重复不断地计算中心并重新分组,直到收敛,即对象不再改变分组(中
心点位置不再改变)。
劳埃德算法和 k 平均通常是紧密联系的,但是在实际应用中,劳埃德算法是解决 k 平均问题
的启发式法则,对于某些起始点和重心的组合,劳埃德算法可能实际上收敛于错误的结果。
(上面函数中存在的不同的最优解)
虽然存在变异,但是劳埃德算法仍旧保持流行,因为它在实际中收敛非常快。实际上,观察
发现迭代次数远远少于点的数量。然而最近,David Arthur 和 Sergei Vassilvitskii 提出存在特
定的点集使得 k 平均算法花费超多项式时间达到收敛。
近似的 k 平均算法已经被设计用于原始数据子集的计算。
从算法的表现上来说,它并不保证一定得到全局最优解,最终解的质量很大程度上取决于初
始化的分组。由于该算法的速度很快,因此常用的一种方法是多次运行 k 平均算法,选择最
优解。
k 平均算法的一个缺点是,分组的数目 k 是一个输入参数,不合适的 k 可能返回较差的结果。
另外,算法还假设均方误差是计算群组分散度的最佳参数。
数据挖掘十大经典算法(3) Svm
支持向量机,英文为 Support Vector Machine,简称 SV 机(论文中一般简称 SVM)。它是一
种監督式學習的方法,它广泛的应用于统计分类以及回归分析中。
支持向量机属于一般化线性分类器.他 们 也 可 以 认 为 是 提 克 洛 夫 规 范 化 ( Tikhonov
Regularization)方法的一个特例.这族分类器的特点是他们能够同时最小化经验误差与最大化
几何边缘区.因此支持向量机也被称为最大边缘区分类器。在统计计算中,最大期望(EM)
算法是在概率(probabilistic)模型中寻找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)。最大期望经常用在机器学习和计算机视觉的数据集聚
(Data Clustering)领域。最大期望算法经过两个步骤交替进行计算,第一步是计算期望(E),
也就是将隐藏变量象能够观测到的一样包含在内从而计算最大似然的期望值;另外一步是最
大化(M),也就是最大化在 E 步上找到的最大似然的期望值从而计算参数的最大似然估计。
M 步上找到的参数然后用于另外一个 E 步计算,这个过程不断交替进行。
Vapnik 等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原
理也从线性可分说起,然后扩展到线性不可分的情况。甚至扩展到使用非线性函数中去,这
种分类器被称为支持向量机(Support Vector Machine,简称 SVM)。支持向量机的提出有很深的
理论背景。支持向量机方法是在近年来提出的一种新方法。
SVM 的主要思想可以概括为两点: (1) 它是针对线性可分情况进行分析,对于线性不可分
的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使
其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可
能;(2) 它基于结构风险最小化理论之上在特征空间中建构最优分割超平面,使得学习器得
到全局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界。
在学习这种方法时,首先要弄清楚这种方法考虑问题的特点,这就要从线性可分的最简单情
况讨论起,在没有弄懂其原理之前,不要急于学习线性不可分等较复杂的情况,支持向量机
在设计时,需要用到条件极值问题的求解,因此需用拉格朗日乘子理论,但对多数人来说,
以前学到的或常用的是约束条件为等式表示的方式,但在此要用到以不等式作为必须满足的
条件,此时只要了解拉格朗日理论的有关结论就行。
介绍
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距
离最大化。假定平行超平面间的距离或差距越大,分类器的总误差越小。一个极好的指南是
C.J.C Burges 的《模式识别支持向量机指南》。van der Walt 和 Barnard 将支持向量机和其他
分类器进行了比较。
动机
剩余32页未读,继续阅读
yangrui20091965
- 粉丝: 8
- 资源: 18
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0