数据挖掘的10大算法我用大白话讲清楚了，新手一看就懂( 二 ) _数据挖掘

将一系列的弱分类器以不同的权重比组合作为最终分类选择。
计算过程
1、初始化基础权重。
2、奖权重矩阵，通过已的分类器计算错误率，选择错误率最低的为最优分类器。
3、通过分类器权重公式，减少正确样本分布，增加错误样本分布，得到新的权重矩阵和当前k轮的分类器权重。
4、将新的权重矩阵，带入上面的步骤2和3，重新计算权重矩阵。
5、迭代N轮，记录每一轮的最终分类器权重，得到强分类器。
比喻说明
1、利用错题提升学习效率
做正确的题，下次少做点，反正都会了。
做错的题，下次多做点，集中在错题上。
随着学习的深入，做错的题会越来越少。
2、合理跨界提高盈利
苹果公司，软硬结合，占据了大部分的手机市场利润，两个领域的知识结合起来产生新收益。
四、C4.5（决策树）决策就是对于一个问题，有多个答案，选择答案的过程就是决策。
C4.5算法是用于产生决策树的算法，主要用于分类。
C4.5使用信息增益率做计算（ID3算法使用信息增益做计算）。
原理
C4.5选择最有效的方式对样本集进行分裂，分裂规则是分析所有属性的信息增益率。
信息增益率越大，意味着这个特征分类的能力越强，我们就要优先选择这个特征做分类。
比喻说明：挑西瓜。
拿到一个西瓜，先判断它的纹路，如果很模糊，就认为这不是好瓜，如果它清晰，就认为它是一个好瓜，如果它稍稍模糊，就考虑它的密度，密度大于某个值，就认为它是好瓜，否则就是坏瓜。
五、CART（决策树）CART：Classification And Regression Tree，中文叫分类回归树，即可以做分类也可以做回归。
什么是分类树、回归树？
分类树：处理离散数据，也就是数据种类有限的数据，输出的是样本的类别。
回归树：可以对连续型的数值进行预测，输出的是一个数值，数值在某个区间内都有取值的可能。
回归问题和分类问题的本质一样，都是针对一个输入做出一个输出预测，其区别在于输出变量的类型。
原理
CART分类树
与C4.5算法类似，只是属性选择的指标是基尼系数。
基尼系数反应了样本的不确定度，基尼系数越小，说明样本之间的差异性小，不确定程度低。
分类是一个不确定度降低的过程，CART在构造分类树的时候会选择基尼系数最小的属性作为属性的划分。
CART 回归树
采用均方误差或绝对值误差为标准，选取均方误差或绝对值误差最小的特征。
比喻说明
分类：预测明天是阴、晴还是雨。
回归：预测明天的气温是多少度。
六、朴素贝叶斯（条件概率）朴素贝叶斯是一种简单有效的常用分类算法，计算未知物体出现的条件下各个类别出现的概率，取概率最大的分类。

文章插图

原理
假设输入的不同特征之间是独立的，基于概率论原理，通过先验概率P(A)、P(B)和条件概率推算出后概率出P(A|B) 。
P(A)：先验概率，即在B事件发生之前，对A事件概率的一个判断。
P(B|A)：条件概率，事件 B 在另外一个事件 A 已经发生条件下的发生概率。
P(A|B)：后验概率，即在B事件发生之后，对A事件概率的重新评估。
比喻说明：给病人分类。

文章插图

给定一个新病人，是一个打喷嚏的建筑工人，计算他患感冒的概率。
七、SVMSVM：Support Vector machine，中文名为支持向量机，是常见的一种分类方法，最初是为二分类问题设计的，在机器学习中，SVM 是有监督的学习模型。
什么是有监督学习和无监督学习？
有监督学习：即在已有类别标签的情况下，将样本数据进行分类。
无监督学习：即在无类别标签的情况下，样本数据根据一定的方法进行分类，即聚类，分类好的类别需要进一步分析后，从而得知每个类别的特点。
原理
找到具有最小间隔的样本点，然后拟合出一个到这些样本点距离和最大的线段/平面。
硬间隔：数据是线性分布的情况，直接给出分类。
软间隔：允许一定量的样本分类错误。
核函数：非线性分布的数据映射为线性分布的数据。
比喻说明
1.分隔桌上一堆红球和篮球
用一根线将桌上的红球和蓝球分成两部分。