一个优秀的数据分析师，除了要掌握基本的统计学、数据库、数据分析方法、思维、数据分析工具技能之外，还需要掌握一些数据挖掘的思想，帮助我们挖掘出有价值的数据，这也是数据分析专家和一般数据分析师的差距之一。

 

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。

 

原理

假设输入的不同特征之间是独立的，基于概率论原理，通过先验概率P(A)、P(B)和条件概率推算出后概率出P(A|B)。

P(A)：先验概率，即在B事件发生之前，对A事件概率的一个判断。

P(B|A)：条件概率，事件 B 在另外一个事件 A 已经发生条件下的发生概率。

P(A|B)：后验概率，即在B事件发生之后，对A事件概率的重新评估。

比喻说明：给病人分类。

 

给定一个新病人，是一个打喷嚏的建筑工人，计算他患感冒的概率。

七、SVM

SVM：Support Vector machine，中文名为支持向量机，是常见的一种分类方法，最初是为二分类问题设计的，在机器学习中，SVM 是有监督的学习模型。

什么是有监督学习和无监督学习 ？

有监督学习：即在已有类别标签的情况下，将样本数据进行分类。

无监督学习：即在无类别标签的情况下，样本数据根据一定的方法进行分类，即聚类，分类好的类别需要进一步分析后，从而得知每个类别的特点。

原理

找到具有最小间隔的样本点，然后拟合出一个到这些样本点距离和最大的线段/平面。

硬间隔：数据是线性分布的情况，直接给出分类。

软间隔：允许一定量的样本分类错误。

核函数：非线性分布的数据映射为线性分布的数据。

比喻说明

1.分隔桌上一堆红球和篮球

用一根线将桌上的红球和蓝球分成两部分。

2.分隔箱子里一堆红球和篮球

用一个平面将箱子里的红球和蓝球分成两部分。

八、KNN（聚类）

机器学习算法中最基础、最简单的算法之一，既能分类也能回归，通过测量不同特征值之间的距离来进行分类。

原理

计算待分类物体与其他物体之间的距离，对于K个最近的邻居，所占数量最多的类别，预测为该分类对象的类别。

计算步骤

1、根据场景，选取距离计算方式，计算待分类物体与其他物体之间的距离。

2、统计距离最近的K个邻居。

3、对于K个最近的邻居，所占数量最多的类别，预测为该分类对象的类别。

比喻说明：近朱者赤，近墨者黑。

 九、K-Means（聚类）

K-means是一个聚类算法，是无监督学习，生成指定K个类，把每个对象分配给距离最近的聚类中心。

 

原理

1.随机选取K个点为分类中心点。

2.将每个点分配到最近的类，这样形成了K个类。

3.重新计算每个类的中心点。比如都属于同一个类别里面有10个点，那么新的中心点就是这10个点的中心点，一种简单的方式就是取平均值。

比喻说明

1.选老大

大家随机选K个老大，谁离得近，就是那个队列的人（计算距离，距离近的人聚合在一起）。

随着时间的推移，老大的位置在变化（根据算法，重新计算中心点），直到选出真正的中心老大（重复，直到准确率最高）。

2.Kmeans和Knn的区别

Kmeans开班选老大，风水轮流转，直到选出最佳中心老大。

Knn小弟加队伍，离那个班相对近，就是那个班的。

十、EM（聚类）

EM 的英文是 Expectation Maximization，所以 EM 算法也叫最大期望算法，也是聚类算法的一种。

EM和K-Means的区别：

1. EM是计算概率，KMeans是计算距离。
2. EM属于软聚类，同一样本可能属于多个类别；而K-Means属于硬聚类，一个样本只能属于一个类别。所以前者能够发现一些隐藏的数据。

原理

先估计一个大概率的可能参数，然后再根据数据不断地进行调整，直到找到最终的确认参数。

比喻说明：菜称重。

很少有人用称对菜进行称重，再计算一半的分量进行平分。

大部分人的方法是：

1、先分一部分到碟子 A 中，再把剩余的分到碟子 B 中。

2、观察碟子 A 和 B 里的菜是否一样多，哪个多就匀一些到少的那个碟子里。

3、然后再观察碟子 A 和 B 里的是否一样多，重复下去，直到份量不发生变化为止。

10大算法都已经说完了，其实一般来说，常用算法都已经被封装到库中了，只要new出相应的模型即可。