參加大叔培訓學習的一定知道數據挖掘，那么數據挖掘的算法在參加大數據培訓班的時候要講多少個呢，答案肯定是不會全部講述的，那樣也不太現實，今天我們就來了解一下大數據培訓中有的或者是沒有的數據挖掘的算法。

數據挖掘算法是根據數據創建數據挖掘模型的一組試探法和計算。 為了創建模型，算法將首先分析您提供的數據，并查找特定類型的模式和趨勢。

1：C4.5

C4.5就是一個決策樹算法，它是決策樹（決策樹也就是做決策的節點間像一棵樹一樣的組織方式，其實是一個倒樹）核心算法ID3的改進算法，所以基本上了解了一半決策樹構造方法就能構造它。

2：CART

CART也是一種決策樹算法！相對于上著有條件實現一個節點下面有多個子樹的多元分類，CART只是分類兩個子樹，這樣實現起來稍稍簡便些。所以說CART算法生成的決策樹是結構簡潔的二叉樹。

3：KNN(K Nearest Neighbours)

這個很簡單，就是看你周圍的K個人（樣本）中哪個類別的人占的多，哪個多，那我就是多的那個。實現起來就是對每個訓練樣本都計算與其相似度，是Top-K個訓練樣本出來，看這K個樣本中哪個類別的多些，誰多跟誰。

4：Naive Bayes(樸素貝葉斯NB)

NB認為各個特征是獨立的，誰也不關誰的事。所以一個樣本（特征值的集合，比如“數據結構”出現2次，“文件”出現1次），可以通過對其所有出現特征在給定類別的概率相乘。比如“數據結構”出現在類1的概率為0.5，“文件”出現在類1的概率為0.3，則可認為其屬于類1的概率為0.5*0.5*0.3。

5：Support Vector Machine(支持向量機SVM)

SVM就是想找一個分類得最”好”的分類線/分類面（最近的一些兩類樣本到這個”線”的距離最遠）。這個沒具體實現過，上次聽課，那位老師自稱自己實現了SVM，敬佩其鉆研精神。常用的工具包是LibSVM、SVMLight、MySVM。

6：EM(期望最大化)

這個我認為就是假設數據時由幾個高斯分布組成的，所以最后就是要求幾個高斯分布的參數。通過先假設幾個值，然后通過反復迭代，以期望得到最好的擬合。

7：Apriori

這個是做關聯規則用的。不知道為什么，一提高關聯規則我就想到購物籃數據。這個沒實現過，不過也還要理解，它就是通過支持度和置信度兩個量來工作，不過對于Apriori，它通過頻繁項集的一些規律（頻繁項集的子集必定是頻繁項集等等啦）來減少計算復雜度。

8：FP-Tree

(Mining frequent patterns without candidate generation)

這個也不太清楚。FP-growth算法(Frequent Pattern-growth)使用了一種緊縮的數據結構來存儲查找頻繁項集所需要的全部信息。采用算法：將提供頻繁項集的數據庫壓縮到一棵FP-tree來保留項集關聯信息，然后將壓縮后的數據庫分成一組條件數據庫（一種特殊類型的投影數據庫），每個條件數據庫關聯一個頻繁項集。

9：PageRank

大名鼎鼎的PageRank大家應該都知道（Google靠此專利發家，其實也不能說發家啦!）。對于這個算法我的理解就是：如果我指向你（網頁間的連接）則表示我承認你，則在計算你的重要性的時候可以加上我的一部分重要性（到底多少，要看我自己有多少和我共承認多少個人）。通過反復這樣來，可以求的一個穩定的衡量各個人（網頁）重要性的值。不過這里必須要做些限制（一個人的開始默認重要性都是1），不然那些值會越來越大越來越大。

10：HITS

HITS也是一個連接分析算法，它是由IBM首先提出的。在HITS，每個節點（網頁）都有一個重要度和權威度（Hubs and authorities,我也忘了具體的翻譯是什么了）。通過反復通過權威度來求重要度，通過重要度來求權威度得到最后的權威度和重要度。

11：K-Means

K-Means是一種最經典也是使用最廣泛的聚類方法，時至今日扔然有很多基于其的改進模型提出。K-Means的思想很簡單，對于一個聚類任務（你需要指明聚成幾個類，當然按照自然想法來說不應該需要指明類數，這個問題也是當前聚類任務的一個值得研究的課題），首先隨機選擇K個簇中心，然后反復計算下面的過程直到所有簇中心不改變（簇集合不改變）為止。

12：BIRCH

BIRCH也是一種聚類算法，其全稱是Balanced Iterative Reducing and Clustering using Hierarchies。BIRCH也是只是看了理論沒具體實現過。是一個綜合的層次聚類特征(Clustering Feature, CF)和聚類特征樹(CF Tree)兩個概念，用于概括聚類描述。聚類特征樹概括了聚類的有用信息，并且占用空間較元數據集合小得多，可以存放在內存中，從而可以提高算法在大型數據集合上的聚類速度及可伸縮性。

13：AdaBoost

AdaBoost做分類的一般知道，它是一種boosting方法。這個不能說是一種算法，應該是一種方法，因為它可以建立在任何一種分類算法上，可以是決策樹，NB，SVM等。

Adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構成一個更強的最終分類器(強分類器)。

14：GSP

GSP，全稱為Generalized Sequential Pattern(廣義序貫模式)，是一種序列挖掘算法。GSP類似于Apriori算法，采用冗余候選模式的剪除策略和特殊的數據結構-----哈希樹來實現候選模式的快速訪存。

15：PrefixSpan

又是一個類似Apriori的序列挖掘。

在上邊的數據挖掘算法中其中經典十大算法為：C4.5，K-Means，SVM，Apriori，EM，PageRank，AdaBoost，KNN，NB和CART。