【大话IT】从数据挖掘谈起，悟空胜，还是杨戬胜？

wmxcn2000

jszxcyit 发表于 2016-9-14 13:18
进哥哥，要好好工作哦

王江玉

石头剪刀布吧

lbj06

zhlin0054

一、说说你对数据挖掘的理解
数据挖掘是从生产、生活、经营活动等中的海量数据中通过数学模型、算法、并再结合与业务知识将发现隐藏于各类生产、生活、活动等规律性或者先前未知的知识信息。数据挖掘通常与数学、计算机学科、统计学科等息息相关。利用数学统计、在线分析处理、情报检索、机器学习、模式识别、专家系统等诸多方法来实现知识的发现。

二、数据挖掘有哪些算法
2.1  C4.5算法
C4.5在继承ID3优点算法的基础上进行了改进，
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。

2.2  The k-means algorithm 即K-Means算法
k-means algorithm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 < n。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。

2.3.  Support vector machines
支持向量机，英文为Support Vector Machine，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.C Burges的《模式识别支持向量机指南》。van der Walt 和 Barnard 将支持向量机和其他分类器进行了比较。

2.4.  The Apriori algorithm
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。

2.5. 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（Latent Variabl）。最大期望经常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域。

2.6.  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（Larry Page）。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。

2.7.  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。

2.8.  kNN: k-nearest neighbor classification
K最近邻(k-Nearest Neighbor，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。

2.9.  Naive Bayes
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(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，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。

2.10.  CART: 分类与回归树
CART, Classification and Regression Trees。 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。

三.如果由你来做数据挖掘，是倾向哪种语言（C、C++、java、python...）？
其一种是基于挖掘工具SPSS的功能进行创建各种模型，再进行数据拟合匹配等。其中是基于各类各种开发语言的开发。目前更多的是采用python，使用过python的都知道，这个做网络爬虫的最为合适的工具之一，目前的互联网的数据是最为丰富的资源，也是最为宝贵的信息资源，因此对于数据的分析离不开爬虫的支持。结合Python提供的丰富插件，API等等，及在数据高效运算的性能等等，综合来考虑数据的获取与整理分析挖掘采用python是一种比较合理的选择。

zhlin0054

一、说说你对数据挖掘的理解

数据挖掘是从生产、生活、经营活动等中的海量数据中通过数学模型、算法、并再结合与业务知识将发现隐藏于各类生产、生活、活动等规律性或者先前未知的知识信息。数据挖掘通常与数学、计算机学科、统计学科等息息相关。利用数学统计、在线分析处理、情报检索、机器学习、模式识别、专家系统等诸多方法来实现知识的发现。

二、数据挖掘有哪些算法

2.1  C4.5算法

C4.5在继承ID3优点算法的基础上进行了改进，

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。

2.2  Thek-means algorithm 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 < n。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。

2.3.  Supportvector machines

支持向量机，英文为Support VectorMachine，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.C Burges的《模式识别支持向量机指南》。van derWalt 和 Barnard 将支持向量机和其他分类器进行了比较。

2.4.  TheApriori algorithm

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。

2.5. 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（Latent Variabl）。最大期望经常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域。

2.6.  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（Larry Page）。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。

2.7.  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。

2.88.  kNN: k-nearest neighbor classification

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。

2.9.  Naive Bayes

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(Decision Tree Model)和朴素贝叶斯模型（Naive BayesianModel，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。

2.10.  CART: 分类与回归树

CART, Classification andRegression Trees。 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。

三.如果由你来做数据挖掘，是倾向哪种语言（C、C++、java、python...）？

其一种是基于挖掘工具SPSS的功能进行创建各种模型，再进行数据拟合匹配等。其中是基于各类各种开发语言的开发。目前更多的是采用python，使用过python的都知道，这个做网络爬虫的最为合适的工具之一，目前的互联网的数据是最为丰富的资源，也是最为宝贵的信息资源，因此对于数据的分析离不开爬虫的支持。结合Python提供的丰富插件，API等等，及在数据高效运算的性能等等，综合来考虑数据的获取与整理分析挖掘采用python是一种比较合理的选择。

初识orcl

bfmo 发表于 2016-9-6 15:10
1.说说你对数据挖掘的理解
数据挖掘（Data Mining）是有组织有目的地收集数据，通过分析数据使之成为信息 ...

好专业123

devil3380

http://developer.51cto.com/art/201601/504965.htm
CTRL+v 这样也算么?

devil3380

  数据挖掘,我只用python.python作为一门不算新生的脚本语言,有着简单、易学、免费开源、可移植性、可扩展性等特点.所以现在越来越多的人在应用.虽然他的效率没有C.java等语言的效率高.但是现在硬件越来越好,谁有差在0.1秒上面再加一秒呢

  python做数据挖掘还有个好处就是上手快,不用自己造轮子,有好多县城的库可以直接用 numpy、pandas、scipy、matplotlib、scikit-learn等.

  Python数据挖掘基础主要是对数据分析相关库的使用，比如数据整理需要用到numpy和pandas库，数据描述与分析分析则主要用到pandas库，用Scipy处理非结构化数据，使用回归线性模型和回归树模型进行预测等等用python做数据分析和数据挖掘的库的应用。

  不过现在也有很多人用R语言或者其他语言的. 任何一项工程都其实都有很多实现方式,只能找一个最适合的而已.

yanggq

算了,你胜罢!!

初识orcl

sjf0115 发表于 2016-9-3 21:26
1.说说你对数据挖掘的理解数据挖掘基于机器学习，人工智能，模式识别和现代统计学的迅速发展的一种交叉学科 ...

     不错