数据挖掘十大算法及案例.docx
- 文档编号:12153242
- 上传时间:2023-04-17
- 格式:DOCX
- 页数:9
- 大小:21.51KB
数据挖掘十大算法及案例.docx
《数据挖掘十大算法及案例.docx》由会员分享,可在线阅读,更多相关《数据挖掘十大算法及案例.docx(9页珍藏版)》请在冰豆网上搜索。
数据挖掘十大算法及案例
数据挖掘十大算法及经典案例
一、数据挖掘十大经典算法
国际权威的学术组织theIEEEInternationalConferenceonDataMining(ICDM)2006年12月评选出了数据挖掘领域的十大经典算法:
C4.5,k-Means,SVM,Apriori,EM,PageRank,AdaBoost,kNN,NaiveBayes,andCART。
不仅仅是选中的十大算法,其实参加评选的18种算法,实际上随便拿出一种来都可以称得上是经典算法,它们在数据挖掘领域都产生了极为深远的影响。
(一)C4.5
C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法。
C4.5算法继承了ID3算法的优点,并在以下几方面对ID3算法进行了改进:
1.用信息增益率来选择属性,克服了用信息增益选择属性时偏向选择取值多的属性的不足;
2.在树构造过程中进行剪枝;
3.能够完成对连续属性的离散化处理;
4.能够对不完整数据进行处理。
C4.5算法有如下优点:
产生的分类规则易于理解,准确率较高。
其缺点是:
在构造树的过程中,需要对数据集进行多次的顺序扫描和排序,因而导致算法的低效。
(二)Thek-meansalgorithm即K-Means算法
k-meansalgorithm算法是一个聚类算法,把n的对象根据他们的属性分为k个分割,k 它与处理混合正态分布的最大期望算法很相似,因为他们都试图找到数据中自然聚类的中心。 它假设对象属性来自于空间向量,并且目标是使各个群组内部的均方误差总和最小。 (三)Supportvectormachines 支持向量机,英文为SupportVectorMachine,简称SV机(论文中一般简称SVM)。 它是一种監督式學習的方法,它广泛的应用于统计分类以及回归分析中。 支持向量机将向量映射到一个更高维的空间里,在这个空间里建立有一个最大间隔超平面。 在分开数据的超平面的两边建有两个互相平行的超平面。 分隔超平面使两个平行超平面的距离最大化。 假定平行超平面间的距离或差距越大,分类器的总误差越小。 一个极好的指南是C.J.CBurges的《模式识别支持向量机指南》。 vanderWalt和Barnard将支持向量机和其他分类器进行了比较。 (四)TheApriorialgorithm Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。 其核心是基于两阶段频集思想的递推算法。 该关联规则在分类上属于单维、单层、布尔关联规则。 在这里,所有支持度大于最小支持度的项集称为频繁项集,简称频集。 (五)最大期望(EM)算法 在统计计算中,最大期望(EM,Expectation–Maximization)算法是在概率(probabilistic)模型中寻找参数最大似然估计的算法,其中概率模型依赖于无法观测的隐藏变量(LatentVariabl)。 最大期望经常用在机器学习和计算机视觉的数据集聚(DataClustering)领域。 (六)PageRank PageRank是Google算法的重要内容。 2001年9月被授予美国专利,专利人是Google创始人之一拉里·佩奇(LarryPage)。 因此,PageRank里的page不是指网页,而是指佩奇,即这个等级方法是以佩奇来命名的。 PageRank根据网站的外部链接和内部链接的数量和质量俩衡量网站的价值。 PageRank背后的概念是,每个到页面的链接都是对该页面的一次投票,被链接的越多,就意味着被其他网站投票越多。 这个就是所谓的“链接流行度”——衡量多少人愿意将他们的网站和你的网站挂钩。 PageRank这个概念引自学术中一篇论文的被引述的频度——即被别人引述的次数越多,一般判断这篇论文的权威性就越高。 (七)AdaBoost Adaboost是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。 其算法本身是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。 将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。 (八)kNN: k-nearestneighborclassification K最近邻(k-NearestNeighbor,KNN)分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一。 该方法的思路是: 如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。 (九)NaiveBayes 在众多的分类模型中,应用最为广泛的两种分类模型是决策树模型(DecisionTreeModel)和朴素贝叶斯模型(NaiveBayesianModel,NBC)。 朴素贝叶斯模型发源于古典数学理论,有着坚实的数学基础,以及稳定的分类效率。 同时,NBC模型所需估计的参数很少,对缺失数据不太敏感,算法也比较简单。 理论上,NBC模型与其他分类方法相比具有最小的误差率。 但是实际上并非总是如此,这是因为NBC模型假设属性之间相互独立,这个假设在实际应用中往往是不成立的,这给NBC模型的正确分类带来了一定影响。 在属性个数比较多或者属性之间相关性较大时,NBC模型的分类效率比不上决策树模型。 而在属性相关性较小时,NBC模型的性能最为良好。 (十)CART: 分类与回归树 CART,ClassificationandRegressionTrees。 在分类树下面有两个关键的思想。 第一个是关于递归地划分自变量空间的想法;第二个想法是用验证数据进行剪枝。 二、数据挖掘经典案例 当前,市场竞争异常激烈,各商家企业为了能在竞争中占据优势,费劲心思。 使用过OLAP技术的企业都知道,OLAP技术能给企业带来新的生机和活力。 OLAP技术把企业大量的数据变成了客户需要的信息,把这些信息变成了价值,提高了企业的产值和效益,增强了客户自身的竞争实力。 “啤酒与尿布”的故事家喻户晓,在IT界里,几乎是数据挖掘的代名词,那么各商家企业受了多少启发,数据挖掘又给他们带来了多少价值呢? 客户需求 客户面对大量的信息,用OLAP进行多维分析。 如: 一个网上书店,用OLAP技术可以浏览到什么时间,那个类别的客户买了多少书等信息,如果想动态的获得深层次的信息,比如: 哪些书籍可以打包推荐,哪些书籍可以在销售中关联推出等等,就要用到数据挖掘技术了。 当客户在使用OLAP技术进行数据的多维分析的时候,联想到“啤酒与尿布”的故事,客户不禁会有疑问,能不能通过数据挖掘来对数据进行深层次的分析呢,能不能将数据挖掘和OLAP结合起来进行分析呢? SQLServer2005数据挖掘: SQLServer2005的DataMining是SQLServer2005分析服务(AnalysisServices)中的一部分。 数据挖掘通常被称为“从大型数据库提取有效、可信和可行信息的过程”。 换言之,数据挖掘派生数据中存在的模式和趋势。 这些模式和趋势可以被收集在一起并定义为挖掘模型。 挖掘模型可以应用于特定的业务方案,例如: 预测销售额、向特定客户发送邮件、确定可能需要搭售的产品、查找客户将产品放入购物车的顺序序列。 Microsoft决策树算法、MicrosoftNaiveBayes算法、Microsoft聚类分析算法、Microsoft神经网络算法(SSAS),可以预测离散属性,例如,预测目标邮件活动的收件人是否会购买某个产品。 Microsoft决策树算法、Microsoft时序算法可以预测连续属性,预测连续属性,例如,预测下一年的销量。 Microsoft顺序分析和聚类分析算法预测顺序,例如,执行公司网站的点击流分析。 Microsoft关联算法、Microsoft决策树算法查找交易中的常见项的组,例如,使用市场篮分析来建议客户购买其他产品。 Microsoft聚类分析算法、Microsoft顺序分析和聚类分析算法,查找相似项的组,例如,将人口统计数据分割为组以便更好地理解属性之间的关系。 巅峰之旅之案例一: 网上书店关联销售 提出问题 网上书店现在有了很强的市场和比较固定的大量的客户。 为了促进网上书店的销售量的增长,各网上书店采取了各种方式,给客户提供更多更丰富的书籍,提供更优质服务,等方式吸引更多的读者。 是不是这样就够了呢? 这里,给众多网上书店的商家们提供一种非常好的促进销售量增长,吸引读者的方法,就是关联销售分析。 这种方法就是给客户提供其他的相关书籍,也就是在客户购买了一种书籍之后,推荐给客户其他的相关的书籍。 这种措施的运用给他们带来了可观的效益。 首先必须明确的是,这里介绍的关联销售并不是,根据网上书店的销售记录进行的比例统计,也区别于简单的概率分析统计,是用的关联规则算法。 “啤酒和尿布”的故事足以证明了该算法的强大功能和产生的震撼效果。 那么,怎么来实现这样一个效果呢? 解决步骤 首先,我们有数据源,也就是销售记录。 这里我们做数据挖掘模型,要用到两张表,一张表是我们的会员,用会员ID号来代替;另一张表是我们那个会员买了什么书。 我们应用SQLServer2005的DataMining工具,建立数据挖掘模型。 具体步骤如下: 第一步: 定义数据源。 选取的为网上书店的销售记录数据源(最主要的是User表和Sales表)。 第二步: 定义数据源视图。 在此我们要建立好数据挖掘中事例表和嵌套表,并定义两者之间的关系,定义User为事例表(CaseTable),Sales为嵌套表(NestedTable)。 第三步: 选取MicrosoftAssociationRules(关联规则)算法,建立挖掘模型。 第四步、设置算法参数,部署挖掘模型。 第五步、浏览察看挖掘模型。 对于关联规则算法来说,三个查看的选项卡。 A: 项集: “项集”选项卡显示被模型识别为经常发现一起出现的项集的列表。 在这里指的是经过关联规则算法处理后,发现关联在一起的书籍的集合。 B: 规则: “规则”选项卡显示关联算法发现的规则。 “规则”选项卡包含一个具有以下列的网格: “概率”、“重要性”和“规则”。 概率说明出现规则结果的可能性。 重要性用于度量规则的用途。 尽管规则出现的概率可能很高,但规则自身的用途可能并不重要。 重要性列就是说明这一情况的。 例如,如果每个项集都包含属性的某个特定状态,那么,即使概率非常高,预测状态的规则也并不重要。 重要性越高,规则越重要。 C: 关联网络: 节点间的箭头代表项之间有关联。 箭头的方向表示按照算法发现的规则确定的项之间的关联。 效果展示 1、我们可以看到在上图中,绿色的是我们选择的节点,橙色的是可以预测所选节点的节点,也就是说如果消费者买了《月光宝盒(2VCD)》的话,那么我们可以给该消费者推荐《乱世佳人(上集,2VCD)》。 紫色的是和所选节点能够双向预测的,即买了《大圣娶亲》,推荐《乱世佳人(上集,2VCD)》;同样,买了《乱世佳人(上集,2VCD)》,推荐《大圣娶亲》。 这样我们就很容易看到经过关联算法计算出来的书籍之间的关联性。 如图3所示效果。 2、我们也可以通过写DMX语句来实现预测查询。 SELECTPredictAssociation([User].[Sales],include_statistics,10) From [User] NATURALPREDICTIONJOIN (SELECT(SELECT'月光宝盒(2VCD)'AS[BookName])AS[Sales])ASt 巅峰之旅之案例二: 客户类别销售分析 这个案例的前提是我们已经建立好了一个OLAP的多维数据库Sales,事实表为FactInternetSales,有五个维度,分别是DimCurrency,DimCustomer,DimProduct,DimTime,DimPromotion。 提出问题 利用OLAP建立的多维数据库Sales,我们可以实现多角度的浏览和分析。 例如: 我们可以分析2004年第一季度的M生产线产品的销售量情况,还可以实现灵活的交叉分析,等等。 但是,如果我们要分析,某个维度的多个属性的综合的销售量,例如: 客户维度里有BirthDate、EnglishEducation、HouseOwnerFlag、NumberCarsOwned、YearlyIncome等属性,在多维数据库里面分析的时候, 我们可以把客户维度的NumberCarsOwned属性放在展示区域的行上,把度量值OrderQuantity放在列上,查看拥有0-4辆汽车的客户的订购所有产品的数量。 同样,我们也可以类似的查看其他属性的情况。 但是,如果我们要把客户维度的某些属性综合考虑来分类,例如: 我们要把高收入、高学历、高消费的客户作为一个群体,把高收入,低学历、高消费的客户作为一个群体,等等,然后,基于这些群体来浏览分析,销售情况,如何来实现呢? 解决步骤 用过聚类算法的大概比较清楚,聚类算法,是用来给事物分类的。 那么怎么用聚类算法的这个特性,和OLAP进行正和呢。 请看下面这个案例: 第一步: 建立挖掘模型。 这里需要注意的是: 以前我们在建立数据挖掘模型的时候是基于关系型数据源。 A: 而在这里,我们要基于多维数据库Sales,选取维度DimCustomer为数据挖掘模型的数据源。 B: 按照向导,选取事例键DimCustomer, C: 在选取事例级别列对话框里面,选择一些属性和度量值,我们这里选取EnglishEducation、HouseOwnerFlag、NumberCarsOwned、YearlyIncome、SalesAmount。 如图5所示。 D: 在完成对话框里面,我们输入挖掘结构名称CustomerSturcture,输入挖掘模型名称CustomerClustering。 必须注意的是,一是一定要选择创建挖掘模型维度,输入挖掘模型维度的名称CustomerClustering;二是一定要选择使用挖掘模型维度创建多维数据集Sales_DM。 E: 设置算法参数。 然后对创建的挖掘结构和挖掘模型进行处理。 此时,共享维度里面会自动添加了一个CustomerClustering维度,也就是数据挖掘维度。 第二步: 处理CustomerClustering维度。 第三步: 处理多维数据集Salse_DM。 处理后的多维数据集Sales_DM,就包含了数据挖掘维度CustomerClustering。 这样,我们就可以把经过聚类算法分类后的客户维度,来进行多维数据分析。 效果展示 这些Cluster是我们用聚类算法建立的挖掘模型的维度成员,每个Cluster都是我们所选属性的一个综合的结果,但是代表着一个明显的特征。 我们还可以在数据挖掘模型里面,对各个Cluster进行名称的标示,如Cluster1是高收入高消费高学历的群体,我们就可以给他命名,把所有的Cluster都命名为能代表本身特性的名称,这样,使得多为数据库的信息就更丰富了。 总结 在激烈的市场竞争中,要想把海量的数据转化为信息,提高自身的信息化建设水平,增强企业的核心竞争力,BI技术是您明智的选择。 应用OLAP技术建立多维数据库,进行多维分析,并把数据挖掘算法应用于多维数据库中,会进一步增加信息量,让您掌握更多的市场先机。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数据 挖掘 算法 案例
![提示](https://static.bdocx.com/images/bang_tan.gif)