數(shù)據(jù)挖掘十大經(jīng)典算法

1、數(shù)據(jù)挖掘十大經(jīng)典算法數(shù)據(jù)挖掘十大經(jīng)典算法一、一、C4.5C4.5算法是機器學(xué)習(xí)算法中的一種分類決策樹算法其核心算法是ID3算法.C4.5算法繼承了ID3算法的優(yōu)點，并在以下幾方面對ID3算法進行了改進：1)用信息增益率來選擇屬性，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；3)能夠完成對連續(xù)屬性的離散化處理；4)能夠?qū)Σ煌暾麛?shù)據(jù)進行處理。C4.5算法有如下優(yōu)點：產(chǎn)生的分類規(guī)則易于理解，準(zhǔn)確率較高。其

2、缺點是：在構(gòu)造樹的過程中，需要對數(shù)據(jù)集進行多次的順序掃描和排序，因而導(dǎo)致算法的低效。1、機器學(xué)習(xí)中，決策樹是一個預(yù)測模型；他代表的是對象屬性與對象值之間的一種映射關(guān)系。樹中每個節(jié)點表示某個對象，而每個分叉路徑則代表的某個可能的屬性值，而每個葉結(jié)點則對應(yīng)從根節(jié)點到該葉節(jié)點所經(jīng)歷的路徑所表示的對象的值。決策樹僅有單一輸出，若欲有復(fù)數(shù)輸出，可以建立獨立的決策樹以處理不同輸出。2、從數(shù)據(jù)產(chǎn)生決策樹的機器學(xué)習(xí)技術(shù)叫做決策樹學(xué)習(xí)通俗說就是決策樹。3

3、、決策樹學(xué)習(xí)也是數(shù)據(jù)挖掘中一個普通的方法。在這里，每個決策樹都表述了一種樹型結(jié)構(gòu)，他由他的分支來對該類型的對象依靠屬性進行分類。每個決策樹可以依靠對源數(shù)據(jù)庫的分割進行數(shù)據(jù)測試。這個過程可以遞歸式的對樹進行修剪。當(dāng)不能再進行分割或一個單獨的類可以被應(yīng)用于某一分支時，遞歸過程就完成了。另外，隨機森林分類器將許多決策樹結(jié)合起來以提升分類的正確率。決策樹是如何工作的？1、決策樹一般都是自上而下的來生成的。2、選擇分割的方法有好幾種，但是目的都是

4、一致的：對目標(biāo)類嘗試進行最佳的分割。3、從根到葉子節(jié)點都有一條路徑，這條路徑就是一條―規(guī)則4、決策樹可以是二叉的，也可以是多叉的。對每個節(jié)點的衡量：3)對任一個Ci遞歸.2.ID3算法1)隨機選擇C的一個子集W(窗口).2)調(diào)用CLS生成W的分類樹DT(強調(diào)的啟發(fā)式標(biāo)準(zhǔn)在后).3)順序掃描C搜集DT的意外(即由DT無法確定的例子).4)組合W與已發(fā)現(xiàn)的意外形成新的W.5)重復(fù)2)到4)直到無例外為止.啟發(fā)式標(biāo)準(zhǔn):只跟本身與其子樹有關(guān)采取

5、信息理論用熵來量度.熵是選擇事件時選擇自由度的量度其計算方法為P=freq(CjS)|S|INFO(S)=SUM(PLOG(P))SUM()函數(shù)是求j從1到n和.Gain(X)=Info(X)Infox(X)Infox(X)=SUM((|Ti||T|)Info(X)為保證生成的決策樹最小ID3算法在生成子樹時選取使生成的子樹的熵(即Gain(S))最小的的特征來生成子樹.3、ID3算法對數(shù)據(jù)的要求1）.所有屬性必須為離散量.2）.所有的