數(shù)據(jù)挖掘現(xiàn)階段最常用的算法

1、Word文檔數(shù)據(jù)挖掘最常見的十種方法下面介紹十種數(shù)據(jù)挖掘(DataMining)的分析方法，以便于大家對模型的初步了解，這些都是日常挖掘中經(jīng)常遇到的算法，希望對大家有用！(甚至有數(shù)據(jù)挖掘公司，用其中的一種算法就能獨(dú)步天下)M制鴕仁恒。"能力后缸而匕曾'息|其體彳羌31口ZUE#：轅.'乂我時豫？；兵急避電?; F賽卷灌舞T我觸刈題:.u,I相親知星=hot娓模玨w卜;IX句饃U!*美以選后反iuQi*關(guān)/域技比;JTlJ1、基于歷史的MBFRb析(Memory-BasedReasoning；MBR基于歷史的MBS析方法最主要的概念是用已知的案例(case)來預(yù)測未來案

2、例的一些屬性(attribute),通常找尋最相似的案例來做比較。記憶基礎(chǔ)推理法中有兩個主要的要素，分別為距離函數(shù)(distancefunction)與結(jié)合函數(shù)(combinationfunction)。距離函數(shù)的用意在找出最相似的案例；結(jié)合函數(shù)則將相似案例的屬性結(jié)合起來，以供預(yù)測之用。記憶基礎(chǔ)推理法的優(yōu)點(diǎn)是它容許各種型態(tài)的數(shù)據(jù)，這些數(shù)據(jù)不需服從某些假設(shè)。另一個優(yōu)點(diǎn)是其具備學(xué)習(xí)能力，它能藉由舊案例的學(xué)習(xí)來獲取關(guān)于新案例的知識。較令人詬病的是它需要大量的歷史數(shù)據(jù)，有足夠的歷史數(shù)據(jù)方能做良好的預(yù)測。此外記憶基礎(chǔ)推理法在處理上亦較為費(fèi)時，不易發(fā)現(xiàn)最佳的距離函數(shù)與結(jié)合函數(shù)。其可應(yīng)用的圍包括欺騙行為的偵

3、測、客戶反應(yīng)預(yù)測、醫(yī)學(xué)診療、反應(yīng)的歸類等方面。2、購物籃分析(MarketBasketAnalysis)購物籃分析最主要的目的在于找出什么樣的東西應(yīng)該放在一起？商業(yè)上的應(yīng)用在藉由顧客的購買行為來了解是什么樣的顧客以及這些顧客為什么買這些產(chǎn)品，找出相關(guān)的聯(lián)想(association)規(guī)則，企業(yè)藉由這些規(guī)則的挖掘獲得利益與建立競爭優(yōu)勢。舉例來說，零售店可藉由此分析改變置物架上的商品排列或是設(shè)計(jì)吸引客戶的商業(yè)套餐等等。購物籃分析基本運(yùn)作過程包含下列三點(diǎn)：(1)選擇正確的品項(xiàng)：這里所指的正確乃是針對企業(yè)體而言，必須要在數(shù)以百計(jì)、千計(jì)品項(xiàng)中選擇出真正有用的品項(xiàng)出來。(2)經(jīng)由對共同發(fā)生矩陣(co-occ

4、urrencematrix)的探討挖掘出聯(lián)想規(guī)則。(3)克服實(shí)際上的限制：所選擇的品項(xiàng)愈多，計(jì)算所耗費(fèi)的資源與時間愈久(呈現(xiàn)指數(shù)遞增)，此時必須運(yùn)用一些技術(shù)以降低資源與時間的損耗。購物籃分析技術(shù)可以應(yīng)用在下列問題上：(1)針對信用卡購物，能夠預(yù)測未來顧客可能購買什么。(2)對于電信與金融服務(wù)業(yè)而言，經(jīng)由購物籃分析能夠設(shè)計(jì)不同的服務(wù)組合以擴(kuò)大利潤。(3)保險(xiǎn)業(yè)能藉由購物籃分析偵測出可能不尋常的投保組合并作預(yù)防。(4)對病人而言，在療程的組合上，購物籃分析能作為是否這些療程組合會導(dǎo)致并發(fā)癥的判斷依據(jù)。3、決策樹(DecisionTrees)決策樹在解決歸類與預(yù)測上有著極強(qiáng)的能力，它以法則的方式表達(dá)

5、，而這些法則則以一連串的問題表示出來，經(jīng)由不斷詢問問題最終能導(dǎo)出所需的結(jié)果。典型的決策樹頂端是一個樹根，底部有許多的樹葉，它將紀(jì)錄分解成不同的子集，每個子集中的字段可能都包含一個簡單的法則。此外，決策樹可能有著不同的外型，例如二元樹、三元樹或混和的決策樹型態(tài)。4、遺傳算法(GeneticAlgorithm)遺傳算法學(xué)習(xí)細(xì)胞演化的過程，細(xì)胞間可經(jīng)由不斷的選擇、復(fù)制、交配、突變產(chǎn)生更佳的新細(xì)胞?；蛩惴ǖ倪\(yùn)作方式也很類似，它必須預(yù)先建立好一個模式，再經(jīng)由一連串類似產(chǎn)生新細(xì)胞過程的運(yùn)作，利用適合函數(shù)(fitnessfunction)決定所產(chǎn)生的后代是否與這個模式吻合，最后僅有最吻合的結(jié)果能夠存活，這

6、個程序一直運(yùn)作直到此函數(shù)收斂到最佳解。基因算法在群集(cluster)問題上有不錯的表現(xiàn)，一般可用來輔助記憶基礎(chǔ)推理法與類神經(jīng)網(wǎng)絡(luò)的應(yīng)用。5、聚類分析(ClusterDetection)這個技術(shù)涵蓋圍相當(dāng)廣泛，包含基因算法、類神經(jīng)網(wǎng)絡(luò)、統(tǒng)計(jì)學(xué)中的群集分析都有這個功能。它的目標(biāo)為找出數(shù)據(jù)中以前未知的相似群體，在許許多多的分析中，剛開始都運(yùn)用到群集偵測技術(shù)，以作為研究的開端。6、連接分析(LinkAnalysis)連接分析是以數(shù)學(xué)中之圖形理論(graphtheory)為基礎(chǔ)，藉由記錄之間的關(guān)系發(fā)展出一個模式，它是以關(guān)系為主體，由人與人、物與物或是人與物的關(guān)系發(fā)展出相當(dāng)多的應(yīng)用。例如電信服務(wù)業(yè)可藉連

7、結(jié)分析收集到顧客使用的時間與頻率，進(jìn)而推斷顧客使用偏好為何，提出有利于公司的方案。除了電信業(yè)之外，愈來愈多的營銷業(yè)者亦利用連結(jié)分析做有利于企業(yè)的研究。7、OLA吩析(On-LineAnalyticProcessing；OLAP嚴(yán)格說起來，OLA小析并不算特別的一個數(shù)據(jù)挖掘技術(shù)，但是透過在線分析處理工具，使用者能更清楚的了解數(shù)據(jù)所隱藏的潛在意涵。如同一些視覺處理技術(shù)一般，透過圖表或圖形等方式顯現(xiàn)，對一般人而言，感覺會更友善。這樣的工具亦能輔助將數(shù)據(jù)轉(zhuǎn)變成信息的目標(biāo)。8、神經(jīng)網(wǎng)絡(luò)(NeuralNetworks)神經(jīng)網(wǎng)絡(luò)是以重復(fù)學(xué)習(xí)的方法，將一審例子交與學(xué)習(xí)，使其歸納出一足以區(qū)分的樣式。若面對新的例

8、證，神經(jīng)網(wǎng)絡(luò)即可根據(jù)其過去學(xué)習(xí)的成果歸納后，推導(dǎo)出新的結(jié)果，乃屬于機(jī)器學(xué)習(xí)的一種。數(shù)據(jù)挖掘的相關(guān)問題也可采類神經(jīng)學(xué)習(xí)的方式，其學(xué)習(xí)效果十分正確并可做預(yù)測功能。9、判別分析(DiscriminantAnalysis)當(dāng)所遭遇問題它的因變量為定性(categorical),而自變量(預(yù)測變量)為定量(metric)時，判別分析為一非常適當(dāng)之技術(shù)，通常應(yīng)用在解決分類的問題上面。若因變量由兩個群體所構(gòu)成，稱之為雙群體一判別分析(Two-GroupDiscriminantAnalysis);若由多個群體構(gòu)成，則稱之為多元判別分析(MultipleDiscriminantAnalysis；MDA。(1)找

9、出預(yù)測變量的線性組合，使組間變異相對于組變異的比值為最大，而每一個線性組合與先前已經(jīng)獲得的線性組合均不相關(guān)。(2)檢定各組的重心是否有差異。(3)找出哪些預(yù)測變量具有最大的區(qū)別能力。(4)根據(jù)新受試者的預(yù)測變量數(shù)值，將該受試者指派到某一群體。10、羅吉斯回歸分析(LogisticAnalysis)當(dāng)判別分析中群體不符合正態(tài)分布假設(shè)時，羅吉斯回歸分析是一個很好的替代方法。羅吉斯回歸分析并非預(yù)測事件(event)是否發(fā)生，而是預(yù)測該事件的機(jī)率它將自變量與因變量的關(guān)系假定是S行的形狀，當(dāng)自變量很小時，機(jī)率值接近為零；當(dāng)自變量值慢慢增加時，機(jī)率值沿著曲線增加，增加到一定程度時，曲線協(xié)率開始減小，故機(jī)率

10、值介于0與1之間。補(bǔ)充：常用數(shù)據(jù)挖掘算法頻繁模式挖掘，關(guān)系挖掘，以及相互關(guān)系挖掘所謂頻繁模式挖掘，指的是比如在商品交易數(shù)據(jù)庫記錄中，找出一起出現(xiàn)的商品集合，這些商品集合出現(xiàn)的頻率要高于一個閾值，這些經(jīng)常出現(xiàn)的商品集合稱之為頻繁模式。頻繁模式的思路很簡單，首先統(tǒng)計(jì)出每個單個商品出現(xiàn)的次數(shù)，這就構(gòu)成了一個一維表。然后再根據(jù)一維表，商品兩兩組合產(chǎn)生一個二維表。然后再由二維表產(chǎn)生三維表，直至到n維表。其中可以利用apriori,進(jìn)行剪枝，也就是說一維表中如果出現(xiàn)的頻率低于閾值的商品，就可以直接去掉，應(yīng)為包含該商品的高維商品集合的出現(xiàn)頻率不可能高于該閾值，可以直接剪枝去掉。頻繁模式挖掘還有一種更加高效的

11、方式，就是FPGrowth，該方法通過掃描一遍數(shù)據(jù)庫，在存中構(gòu)造一顆FPtree,基于這棵樹就可以產(chǎn)生所有的頻繁模式。很顯然FPGrowth算法的效率要高很多，但是其缺陷也很明顯，在存中維護(hù)一顆FPtree的開銷也是很大的。為了解決這個問題，一個直接的思路是將數(shù)據(jù)庫水平分表到各臺機(jī)器上，在各臺機(jī)器上執(zhí)行本地的FPGrowth,然后再將各臺機(jī)器上的結(jié)果匯總起來，得到最終的FPGrowth的結(jié)果。所謂關(guān)系挖掘，值得是挖掘出各個項(xiàng)目之間的因果關(guān)系。關(guān)系挖掘的基礎(chǔ)是頻繁模式挖掘，通過頻繁模式挖掘，很容易得出關(guān)系，舉例就很容易明白，比如我們得到一個頻繁集合：/=IU12.15|那么通過排列組合可以得到l

12、的子集集合：II,1"II,15|，II.12,浦口d口5.那么很容易得到下面的推理集合，也就是挖掘出的關(guān)系:/1a/2=/5>cotrfiiicficc2/4=50%/1/5=>/2)iunfhiencc2/2=100%/2A/5=>/Lconfidence2/2=100%/I=?/2A15.cottfldctice=2/6=33%e八/5,confidettce=2/7=29%/5=>71A/2.COtlJlllcMCC=2/2=100%所有的關(guān)系挖掘本質(zhì)上都是基于頻繁模式推導(dǎo)出來的。在關(guān)系挖掘中，有一種非常有用的關(guān)系模式挖掘：miningquantita

13、tiveassociationrules。所謂quantitativeassociationrules是這樣一種關(guān)系模式：AgMWil/"必2=九刈該關(guān)系模式的挖掘，首先是確定我們所感興趣的屬性：quan1,quan2,cat,然后根據(jù)事先確定的間隔，將quan1,quan2按照一定的間隔劃分成一定的catorgory,然后進(jìn)行頻繁模式挖掘，得出一些關(guān)系，然后將這些關(guān)系按照grid進(jìn)行聚合，生成最后的關(guān)系模式。通過關(guān)系挖掘挖出的關(guān)系中往往有很多不是非常有用，因此需要通過另外的指標(biāo)排除一些這樣的關(guān)系，這個指標(biāo)就是correlation,如下：A=>fthupporieonfide

14、nce.corrclatiofi.Correlation是用來衡量A,B之間的相關(guān)性，從而排除那些沒有意義的規(guī)則。對于上述所提到的關(guān)系挖掘，有一種稱之為constraint-basedassociationmining,這是一種特殊的關(guān)系挖掘，它對于所挖掘出的條件加了一些限制條件，這些限制條件可能是由用戶提出的，其主要目的是排除一些不感興趣的關(guān)系。對于這種關(guān)系挖掘，最直接的辦法先按照最普通的關(guān)系挖掘方法進(jìn)行挖掘，然后利用條件來對結(jié)果進(jìn)行。但是還有更好的方法，就是在挖掘的過程中利用這些條件，從而縮小整個挖掘過程中的searchspace,從而提高效率。這些限制條件分為這么幾種：antimonot

15、onic,monotonic,succinct,convertible,inconvertible,針對每一種的限制條件，都有一些通用的方法或策略來縮小挖掘的searchspace,可參閱相關(guān)資料。分類和預(yù)測分類樹分類樹是一種很常用的分類方法，它該算法的框架表述還是比較清晰的，從根節(jié)點(diǎn)開始不斷得分治，遞歸，生長，直至得到最后的結(jié)果。根節(jié)點(diǎn)代表整個訓(xùn)練樣本集，通過在每個節(jié)點(diǎn)對某個屬性的測試驗(yàn)證，算法遞歸得將數(shù)據(jù)集分成更小的數(shù)據(jù)集.某一節(jié)點(diǎn)對應(yīng)的子樹對應(yīng)著原數(shù)據(jù)集中滿足某一屬性測試的部分?jǐn)?shù)據(jù)集.這個遞歸過程一直進(jìn)行下去。該算法是數(shù)據(jù)挖掘中常用的一類方法。貝葉斯分類器貝葉斯分類的思想很簡單，就是計(jì)算

16、屬性和分類之間的條件概率，選擇使得條件概率最大的分類作為最終的分類結(jié)果，這是一種基于統(tǒng)計(jì)的分類方法，得到了廣泛的引用。貝葉斯分類器分為兩種，一種是樸素貝葉斯分類器，它基于貝葉斯理論：pm其中X代表特征向量，C代表分類.我們的目標(biāo)就是找出使得這個后驗(yàn)概率最大的那個類其中需要注意的是X中的各個特征分量是分布獨(dú)立的.這樣就有：F（鼻Hx.）IPCx.Tj-j,CJ網(wǎng)工CJF（第II'4詈k4樸素貝葉斯分類器最經(jīng)典的應(yīng)用場景就是垃圾過濾。樸素貝葉斯分類器的升級版本就是貝葉斯網(wǎng)絡(luò)，因?yàn)闃闼刎惾~斯網(wǎng)絡(luò)假設(shè)樣本的特征向量的各個特征屬性是獨(dú)立的，但對于現(xiàn)實(shí)世界，這樣的建模未必合理，因此有人就提出了貝葉

17、斯網(wǎng)絡(luò)，貝葉斯網(wǎng)絡(luò)假設(shè)各個屬性之間是存在條件概率的。貝葉斯網(wǎng)絡(luò)是一個各個屬性組成的有向拓?fù)渚W(wǎng)絡(luò)，每條邊代表?xiàng)l件概率，通過貝葉斯網(wǎng)絡(luò)能夠計(jì)算出各個屬性相互組合的條件概率。基于規(guī)則的分類器這種分類器利用IFTHEN的規(guī)則來進(jìn)行分類。對于如何產(chǎn)生規(guī)則，有兩種方法：第一種方法，就是從決策樹中生成規(guī)則。因?yàn)闆Q策樹天然的就是規(guī)則。第二種方法，是采用SequentialCoveringAlgorithm,直接從訓(xùn)練樣本中生成規(guī)則集。該方法的思路是一種general-to-specific的方法，該方法從一個空規(guī)則開始，然后向規(guī)則中依次逐漸增加屬性測試條件，選擇該屬性測試值（也就是測試分界點(diǎn)，attr<

18、val）的依據(jù)就是是否能夠最大限度得改進(jìn)規(guī)則的分類質(zhì)量。基于神經(jīng)網(wǎng)絡(luò)的分類器神經(jīng)網(wǎng)絡(luò)分類器是依據(jù)屬性構(gòu)造一個網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，該拓?fù)浣Y(jié)構(gòu)的邊具有權(quán)重值，我們的目的是不斷得利用訓(xùn)練樣本然后不斷得更新神經(jīng)網(wǎng)絡(luò)的邊權(quán)重值。然后利用該網(wǎng)絡(luò)就可以得到輸出的分類。該算法模擬神經(jīng)的組成結(jié)構(gòu)，利用了單元之間的反饋機(jī)制。但該算法的缺點(diǎn)也很明顯，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定沒有明確統(tǒng)一的方法論，很多只能靠規(guī)劃者的經(jīng)驗(yàn)，因此訓(xùn)練結(jié)果往往因人而異，限制了神經(jīng)網(wǎng)絡(luò)的使用。支持向量機(jī)分類器支持向量機(jī)是在訓(xùn)練樣本空間中構(gòu)造超平面來對樣本進(jìn)行分類，它的優(yōu)勢是對高維度不敏感。但效率較低，實(shí)施較為復(fù)雜。關(guān)聯(lián)分類器關(guān)聯(lián)分類器的思路很簡單，前面我

19、們提到頻繁模式挖掘，我們將樣本的某一屬性的（屬性，值）對作為一個條目，我們找出經(jīng)常在一起出現(xiàn)的條目集合，然后找出這些頻繁項(xiàng)目集合，這些頻繁項(xiàng)目集合對應(yīng)的樣本集合中占主流的分類就作為關(guān)聯(lián)規(guī)則的分類結(jié)果，該結(jié)果如下：八2八/二4而"=rJ關(guān)聯(lián)分類器有三種方法：CBA,CMAR和CPARLazyLearnerLazyLearner主要有兩種分類器：Knn分類器和Cbr分類器。Knn分類器思路很直接，找出和待分類樣本最近的K的樣本，然后將這k個樣本中占主流的的類別作為分類結(jié)果分配給待分類樣本。該分類器的關(guān)鍵在于如何確定k,一種思路是根據(jù)經(jīng)驗(yàn)，另外一種思路是迭代，讓k從1開始遞增，計(jì)算每個k取

20、值時對某一測試集的錯誤率，選擇錯誤最小的那個ko另外一個關(guān)鍵就是如何快速得找出k個最近的鄰居，這需要我們對各個樣本點(diǎn)進(jìn)行事先排序，并設(shè)計(jì)一個合適的數(shù)據(jù)結(jié)構(gòu)，使得找出k個最近鄰居的復(fù)雜度降為log|D|.預(yù)測所謂預(yù)測，就是根據(jù)既有的數(shù)據(jù)預(yù)測新出現(xiàn)的數(shù)據(jù)的預(yù)測值。預(yù)測有兩種方法，線性回歸和非線性回歸。所謂線性回歸，指的是Y=b+wX公式1其中X可以是向量，比如（x1,x2）,因此線性回歸則變成y=w0+w1*x1+w2*x2公式2對于公式1,其目標(biāo)就是求出w向量。那么比較常用的方法就是最小二乘法，使得求出的w對于已有的樣本使其方差和最小。方差和就是目標(biāo)函數(shù)，目標(biāo)函數(shù)就是自變量w的一個函數(shù)，通過求導(dǎo)

21、求極值，很容易彳#到使得目標(biāo)函數(shù)最小的w的值。通過一些軟件包，如SAS,matlab,SPSS很容易做這種線性回歸的w計(jì)算。并不是所有的模型都是線性模型，實(shí)際的問題中很多模型是非線性的，比如多項(xiàng)式，如下y=w0+w1*x+w2*x*x+w3*x*x*x解決這種問題的思路是將非線性模型轉(zhuǎn)化為線性模型，然后再用線性回歸的方法來解決。比如上面的多項(xiàng)式公式，我們令x1=xx2=x*xx3=x*x*x這樣就變成了y=w0+w1*x1+w2*x2+w3*x3,這就變成了線性回歸的問題。聚類聚類是數(shù)據(jù)挖掘需要解決的另外一個問題，分類是我們知道確切的分類結(jié)果，知道我們需要將樣本分成具體的哪幾類。而聚類問題是實(shí)

22、現(xiàn)不知道我們的樣本具體屬于哪些類別，而需要我們從樣本中發(fā)掘出這些類別。下面談幾種較為通用的聚類方法談?wù)??；诜謪^(qū)的聚類法該方法的一個典型的方法就是K-means,該方法非常簡單，首先確定我們需要將數(shù)據(jù)樣本分成多少個類，這個需要確定，我們稱之為ko然后從樣本中任意選擇k個樣本作為k個類的中心，然后計(jì)算每個樣本到這k個中心的距離，把他們分配到最相近的類。這樣就得到k個聚類，然后重新計(jì)算這k個聚類的中心，然后再重復(fù)前面的過程，直至沒有樣本被重新分配從而達(dá)到收斂。下面是k-means的偽碼Algorilhin;TheA-HMUSM即rilhmforp4fUtioning1eachscenteri、re

23、prebilledbvthemeinv.tlueth?nbieci、inihe<luster.Input:4:thenuinlKroicluster1'./>:adjtiseicontainingcbictl，Ouipui：A“fA<lusterMethod:(i,irliitrarilvchouseAobjectfumtheinilijlclustercenrers;Clrej'KTiit(31reiuigneiKh<objectthehitteriowhichtheobiectI*the1ninstsimiJJEi»nthemeanvalu

24、eolilielnectsintlieihisler;ujxiitethedusterincdni.ixMvll<ula(eIhenlcartvlucf(heobjectsforeiuhthiUer;151untilnudur心；基于層次的分類法基于層次的分類法有兩種：凝聚和分裂。凝聚：它基于一種自底而上的策略，在最開始的時候，每個樣本都代表一個聚類，然后計(jì)算兩兩之間的區(qū)分度，然后進(jìn)行合并，這個合并一直按照這樣的方式持續(xù)下去，直至所有的樣本都被合并為一個類。分裂：它基于一種自上而下的策略，在最開始的時候，所有的樣本都是一個類，然后會依據(jù)一些區(qū)分方法，進(jìn)行分裂，直至每個樣本都分裂成一個聚類

25、。基于層次的分類法，其意義在于其他的聚類方法引入這種基于層次的思路，可以被改造成一個多階段的的聚類方法，可以大大改進(jìn)聚類的質(zhì)量?；诿芏鹊姆诸惙ㄟ@種方法的一個代表就是DBSCAN。要理解DBSCAN,首先要明白這么幾種概念：某一樣本在e半徑的鄰居稱之為e-鄰居。如果某一樣本的e-鄰居個數(shù)大于某一最小值，那該樣本被稱之為核心樣本。如果q是核心樣本，p是q的e-鄰居，那么p是q的直接密度可達(dá)。對于一個樣本鏈p1,p2,.pn,如果p1=q,pn=p,pi+1是pi的直接可達(dá)，那么p就是q的密度可達(dá)。如果p,q都是o的密度可達(dá)，那么p,q就是密度連通的。有了這些概念，算法就很簡單了，首先找出樣本中所有的核心樣本，那么基于這些核心樣本，這些核心樣本就代表某一個聚類。遍歷這些核心樣本，不斷找到他們的密度可達(dá)的樣本，其間某些樣本就會被不斷合并，直至所有的樣本分類趨于穩(wěn)定，不會再有新的點(diǎn)被加入各個聚類?；趃rid的聚類法該算法的代表是STING,它比較晦澀，從表面上來看，它似乎不是一種顯然的聚類法。首先我們先劃分一些層次，每個層次上我們根據(jù)維度或者概念分層不同的cell,實(shí)際上這里的每個層次對應(yīng)的是樣本的一個分辨率。每個高層的ce