國際權威的學術組織the IEEE International Conference on Data Mining (ICDM) 2006年12月評選出了數據挖掘領域的十大經典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART.
不不過選中的十大算法，事實上參加評選的18種算法，實際上隨便拿出一種來都能夠稱得上是經典算法，它們在數據挖掘領域都產生了極為深遠的影響。
?
1. C4.5
C4.5算法是機器學習算法中的一種分類決策樹算法,其核心算法是ID3算法.? C4.5算法繼承了ID3算法的長處，并在下面幾方面對ID3算法進行了改進：
1) 用信息增益率來選擇屬性，克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足；
????2) 在樹構造過程中進行剪枝；
????3) 可以完畢對連續屬性的離散化處理；
????4) 可以對不完整數據進行處理。
C4.5算法有例如以下長處：產生的分類規則易于理解，準確率較高。其缺點是：在構造樹的過程中，須要對數據集進行多次的順序掃描和排序，因而導致算法的低效。
?
2. The k-means algorithm 即K-Means算法
k-means algorithm算法是一個聚類算法，把n的對象依據他們的屬性分為k個切割，k < n。它與處理混合正態分布的最大期望算法非常類似，由于他們都試圖找到數據中自然聚類的中心。它如果對象屬性來自于空間向量，而且目標是使各個群組內部的均 方誤差總和最小。
?
3. Support vector machines
支持向量機，英文為Support Vector Machine，簡稱SV機（論文中一般簡稱SVM）。它是一種監督式學習的方法，它廣泛的應用于統計分類以及回歸分析中。支持向量機將向量映射到一個更 高維的空間里，在這個空間里建立有一個最大間隔超平面。在分開數據的超平面的兩邊建有兩個互相平行的超平面。分隔超平面使兩個平行超平面的距離最大化。假 定平行超平面間的距離或差距越大，分類器的總誤差越小。一個極好的指南是C.J.C Burges的《模式識別支持向量機指南》。van der Walt 和 Barnard 將支持向量機和其它分類器進行了比較。
?
4. The Apriori algorithm
Apriori算法是一種最有影響的挖掘布爾關聯規則頻繁項集的算法。其核心是基于兩階段頻集思想的遞推算法。該關聯規則在分類上屬于單維、單層、布爾關聯規則。在這里，全部支持度大于最小支持度的項集稱為頻繁項集，簡稱頻集。
?
5. 最大期望(EM)算法
在統計計算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中尋找參數最大似然 預計的算法，當中概率模型依賴于無法觀測的隱藏變量（Latent Variabl）。最大期望經經常使用在機器學習和計算機視覺的數據集聚（Data Clustering）領域。
?
6. PageRank
PageRank是Google算法的重要內容。2001年9月被授予美國專利，專利人是Google創始人之中的一個拉里·佩奇（Larry Page）。因此，PageRank里的page不是指網頁，而是指佩奇，即這個等級方法是以佩奇來命名的。
PageRank依據站點的外部鏈接和內部鏈接的數量和質量倆衡量站點的價值。PageRank背后的概念是，每一個到頁面的鏈接都是對該頁面的一次投票， 被鏈接的越多，就意味著被其它站點投票越多。這個就是所謂的“鏈接流行度”——衡量多少人愿意將他們的站點和你的站點掛鉤。PageRank這個概念引自 學術中一篇論文的被引述的頻度——即被別人引述的次數越多，一般推斷這篇論文的權威性就越高。
?
7. AdaBoost
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，構成一個更強的終于分類器 (強分類器)。其算法本身是通過改變數據分布來實現的，它依據每次訓練集之中每一個樣本的分類是否正確，以及上次的整體分類的準確率，來確定每一個樣本的權 值。將改動過權值的新數據集送給下層分類器進行訓練，最后將每次訓練得到的分類器最后融合起來，作為最后的決策分類器。
?
8. kNN: k-nearest neighbor classification
K近期鄰(k-Nearest Neighbor，KNN)分類算法，是一個理論上比較成熟的方法，也是最簡單的機器學習算法之中的一個。該方法的思路是：假設一個樣本在特征空間中的k個最類似(即特征空間中最鄰近)的樣本中的大多數屬于某一個類別，則該樣本也屬于這個類別。
?
9. Naive Bayes
在眾多的分類模型中，應用最為廣泛的兩種分類模型是決策樹模型(Decision Tree Model)和樸素貝葉斯模型（Naive Bayesian Model，NBC）。 樸素貝葉斯模型發源于古典數學理論，有著堅實的數學基礎，以 及穩定的分類效率。同一時候，NBC模型所需預計的參數非常少，對缺失數據不太敏感，算法也比較簡單。理論上，NBC模型與其它分類方法相比具有最小的誤差率。 可是實際上并不是總是如此，這是由于NBC模型如果屬性之間相互獨立，這個如果在實際應用中往往是不成立的，這給NBC模型的正確分類帶來了一定影響。在屬 性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型。而在屬性相關性較小時，NBC模型的性能最為良好。
?
10. CART: 分類與回歸樹
CART, Classification and Regression Trees。 在分類樹以下有兩個關鍵的思想。第一個是關于遞歸地劃分自變量空間的想法；第二個想法是用驗證數據進行剪枝。
?
本文來源：http://blog.csdn.net/aladdina/
上面的10篇文章的摘要來源所有轉載自網絡搜索，百度百科內容最多，少量來自中文維基百科以及其它網頁。
?
?
?
)
)
