学习笔记二：数据挖掘最佳路径--摘自陈旸课程

一、数据挖掘的基本流程、十大算法、数学原理

A、分类算法：
1、c4.5
这个算法是得票最高的算法，可以说是十大算法之首。c4.5是决策树的算法，它创造性地在决策树构造过程中就进行了剪枝，并且可以处理连续的属性，也能对不完整的数据进行处理。它可以说是决策树分类中，具有里程碑式意义的算法。
2、朴素贝叶斯（naive bayes）
朴素贝叶斯模型是基于概率论的原理，它的思想是这样的：对于给出的未知物体想要进行分类，就需要求解在这个未知物体出现的条件下各个雷贝出现的概率，哪个最大，就认为这个未知物体属于哪个分类。
3、svm
svm的中文叫做支持向量机，英文是support vector machine，简称svm。svm在训练中建立了一个超平面的分类模型。
4、knn
knn也叫k最近邻算法，英文是k-nearest neighbor.所谓k近邻，就是每个样本都可以用它最接近的k个邻居来代表。如果一个样本，它的k个最接近的邻居都属于分类a，那么这个样本也属于分类a。
5、adaboost
adaboost在训练中建立了一个联合的分类模型。boost在英文中代表提升的意思，所以adaboost是个构建分类器的提升算法。它可以让我们多个弱的分类器组成一个强的分类器，所以adaboost也是一个常用的分类算法。
6、cart
cart代表分类和回归树，英文是classification and regression trees.像英文一样，它构建了两棵树：一颗分类树，另一个是回归树。和c4.5一样，它是一个决策树学习方法。
7、apriori
apriori是一种挖掘关联规则的算法，它通过挖掘频繁项集来揭示物品之间的关联关系，被广泛应用到商业挖掘和网络安全等领域中。频繁项集是指经常出现在一起的物品的集合，关联规则暗示着两种物品之间可能存在很强的关系。
B、聚类算法
8、k-means
k-means算法是一个聚类算法。你可以这么理解，最终我想把物体划分成k类。假设每个类别里面，都有个“中心点”，即意见领袖，它是这个类别的核心。现在我有一个新点要归类，这时候就只要计算这个新点与k个中心点的距离，距离哪个中心点近，就变成了哪个类别。
9、em
em算法也叫最大期望算法，是求参数的最大似然估计的一种方法。原理是这样的：假设我们想要评估参数a和参数b，在开始状态下二者都是未知的，并且知道了a的信息就可以得到b的信息，反过来知道了b也就得到了a ，可以考虑首先赋予a某个初值，以此得到b估值，然后从b的估值出发，重新估计a的取值，这个过程一直持续到收敛为止。
10、pagerank
pagerank起源于论文影响力的计算方式，如果一篇文论被引入的次数越多，就代表这篇论文的影响力越强。同样pagerank被Google创造性地应用到了网页权重的计算中：当一个页面链接出的页面越多，说明这个页面的参考文献越多，当这个页面被链入的频率越高，说明这个页面被引用的次数越高。基于这个原理，我们可以得到网站的权重划分。