一个优秀的数据分析师，除了要掌握基本的统计学、数据库、数据分析方法、思惟、数据分析工具技能以外，还须要掌握一些数据挖掘的思想，帮助咱们挖掘出有价值的数据，这也是数据分析专家和通常数据分析师的差距之一。算法
数据挖掘主要分为分类算法，聚类算法和关联规则三大类，这三类基本上涵盖了目前商业市场对算法的全部需求。而这三类里又包含许多经典算法。市面上不少关于数据挖掘算法的介绍深奥难懂，今天就给你们用简单的大白话来介绍数据挖掘十大经典算法原理，帮助你们快速理解。数据库
算法分类数据结构
链接分析：PageRank机器学习
关联分析：Apriori函数
分类算法：C4.5，朴素贝叶斯，SVM，KNN，Adaboost，CART工具
聚类算法：K-Means，EM性能
1、PageRank
当一篇论文被引用的次数越多，证实这篇论文的影响力越大。学习
一个网页的入口越多，入链越优质，网页的质量越高。大数据
原理网站
网页影响力=阻尼影响力+全部入链集合页面的加权影响力之和
一个网页的影响力：全部入链的页面的加权影响力之和。
一个网页对其余网页的影响力贡献为：自身影响力/出链数量。
用户并不都是按照跳转连接的方式来上网，还有其余的方式，好比直接输入网址访问。
因此须要设定阻尼因子，表明了用户按照跳转连接来上网的几率。
比喻说明
一、微博
一我的的微博粉丝数不必定等于他的实际影响力，还须要看粉丝的质量如何。
若是是僵尸粉没什么用，但若是是不少大V或者明星关注，影响力很高。
二、店铺的经营
顾客比较多的店铺质量比较好，可是要看看顾客是否是托。
三、兴趣
在感兴趣的人或事身上投入了相对多的时间，对其相关的人事物也会投入必定的时间。那我的或事，被关注的越多，它的影响力/受众也就越大。
关于阻尼因子
一、经过你的邻居的影响力来评判你的影响力，可是若是不能经过邻居来访问你，并不表明你没有影响力，由于能够直接访问你，因此引入阻尼因子的概念。
二、海洋除了有河流流经，还有雨水，可是下雨是随机的。
三、提出阻尼系数，仍是为了解决某些网站明明存在大量出链（入链），可是影响力却很是大的情形。
出链例子：hao123导航网页，出链极多入链极少。
入链例子：百度谷歌等搜索引擎，入链极多出链极少。
2、Apriori（关联分析）
关联关系挖掘，从消费者交易记录中发掘商品与商品之间的关联关系。
原理
1.支持度
某个商品组合出现的次数与总次数之间的比例。
5次购买，4次买了牛奶，牛奶的支持度为4/5=0.8。
5次购买，3次买了牛奶+面包，牛奶+面包的支持度为3/5=0.6。
2.置信度
购买了商品A，有多大几率购买商品B，A发生的状况下B发生的几率是多少。
买了4次牛奶，其中2次买了啤酒，(牛奶->啤酒)的置信度为2/4=0.5。
买了3次啤酒，其中2次买了牛奶，(啤酒->牛奶)的置信度为2/3-0.67。
3.提高度
衡量商品A的出现，对商品B的出现 几率提高的程度。
提高度(A->B)=置信度(A->B)/支持度(B)。
提高度>1，有提高；提高度=1，无变化；提高度<1，降低。
4.频繁项集
项集：能够是单个商品，也能够是商品组合。
频繁项集是支持度大于最小支持度（Min Support）的项集。
计算过程
一、从K=1开始，筛选频繁项集。
二、在结果中，组合K+1项集，再次筛选。
三、循环1，2步。直到找不到结果为止，K-1项集的结果就是最终结果。
扩展：FP-Growth 算法
Apriori 算法须要屡次扫描数据库，性能低下，不适合大数据量。
FP-growth算法，经过构建 FP 树的数据结构，将数据存储在 FP 树中，只须要在构建 FP 树时扫描数据库两次，后续处理就不须要再访问数据库了。
比喻说明：啤酒和尿不湿摆在一块儿销售
沃尔玛经过数据分析发现，美国有婴儿的家庭中，通常是母亲在家照顾孩子，父亲去超市买尿不湿。
父亲在购买尿不湿时，经常会顺便搭配几瓶啤酒来犒劳本身，因而，超市尝试推出了将啤酒和尿不湿摆在一块儿的促销手段，这个举措竟然使尿不湿和啤酒的销量都大幅增长。
3、AdaBoost
原理
简单的说，多个弱分类器训练成为一个强分类器。
将一系列的弱分类器以不一样的权重比组合做为最终分类选择。
计算过程
一、初始化基础权重。
二、奖权重矩阵，经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。
三、经过分类器权重公式，减小正确样本分布，增长错误样本分布，获得新的权重矩阵和当前k轮的分类器权重。
四、将新的权重矩阵，带入上面的步骤2和3，从新计算权重矩阵。
五、迭代N轮，记录每一轮的最终分类器权重，获得强分类器。
比喻说明
一、利用错题提高学习效率
作正确的题，下次少作点，反正都会了。
作错的题，下次多作点，集中在错题上。
随着学习的深刻，作错的题会愈来愈少。
二、合理跨界提升盈利
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。
4、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使用信息增益率作计算（ID3算法使用信息增益作计算）。
原理
C4.5选择最有效的方式对样本集进行分裂，分裂规则是分析全部属性的信息增益率。
信息增益率越大，意味着这个特征分类的能力越强，咱们就要优先选择这个特征作分类。
比喻说明：挑西瓜。
拿到一个西瓜，先判断它的纹路，若是很模糊，就认为这不是好瓜，若是它清晰，就认为它是一个好瓜，若是它稍稍模糊，就考虑它的密度，密度大于某个值，就认为它是好瓜，不然就是坏瓜。
5、CART（决策树）
CART：Classification And Regression Tree，中文叫分类回归树，便可以作分类也能够作回归。
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：能够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同样，都是针对一个输入作出一个输出预测，其区别在于输出变量的类型。
原理
CART分类树
与C4.5算法相似，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肯定度，基尼系数越小，说明样本之间的差别性小，不肯定程度低。
分类是一个不肯定度下降的过程，CART在构造分类树的时候会选择基尼系数最小的属性做为属性的划分。
CART 回归树
采用均方偏差或绝对值偏差为标准，选取均方偏差或绝对值偏差最小的特征。
比喻说明
分类：预测明天是阴、晴仍是雨。
回归：预测明天的气温是多少度。
6、朴素贝叶斯（条件几率）
朴素贝叶斯是一种简单有效的经常使用分类算法，计算未知物体出现的条件下各个类别出现的几率，取几率最大的分类。
原理
假设输入的不一样特征之间是独立的，基于几率论原理，经过先验几率P(A)、P(B)和条件几率推算出后几率出P(A|B)。
P(A)：先验几率，即在B事件发生以前，对A事件几率的一个判断。
P(B|A)：条件几率，事件 B 在另一个事件 A 已经发生条件下的发生几率。
P(A|B)：后验几率，即在B事件发生以后，对A事件几率的从新评估。
比喻说明：给病人分类。
给定一个新病人，是一个打喷嚏的建筑工人，计算他患感冒的几率。
7、SVM
SVM：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状况下，将样本数据进行分类。
无监督学习：即在无类别标签的状况下，样本数据根据必定的方法进行分类，即聚类，分类好的类别须要进一步分析后，从而得知每一个类别的特色。
原理
找到具备最小间隔的样本点，而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：数据是线性分布的状况，直接给出分类。
软间隔：容许必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红两部分。
2.分隔箱子里一堆红球和篮球
用一个平面将箱子里的红球和蓝球分红两部分。
8、KNN（聚类）
机器学习算法中最基础、最简单的算法之一，既能分类也能回归，经过测量不一样特征值之间的距离来进行分类。
原理
计算待分类物体与其余物体之间的距离，对于K个最近的邻居，所占数量最多的类别，预测为该分类对象的类别。
计算步骤
一、根据场景，选取距离计算方式，计算待分类物体与其余物体之间的距离。
二、统计距离最近的K个邻居。
三、对于K个最近的邻居，所占数量最多的类别，预测为该分类对象的类别。
比喻说明：近朱者赤，近墨者黑。
9、K-Means（聚类）
K-means是一个聚类算法，是无监督学习，生成指定K个类，把每一个对象分配给距离最近的聚类中心。
原理
1.随机选取K个点为分类中心点。
2.将每一个点分配到最近的类，这样造成了K个类。
3.从新计算每一个类的中心点。好比都属于同一个类别里面有10个点，那么新的中心点就是这10个点的中心点，一种简单的方式就是取平均值。
比喻说明
1.选老大
你们随机选K个老大，谁离得近，就是那个队列的人（计算距离，距离近的人聚合在一块儿）。
随着时间的推移，老大的位置在变化（根据算法，从新计算中心点），直到选出真正的中心老大（重复，直到准确率最高）。
2.Kmeans和Knn的区别
Kmeans开班选老大，风水轮流转，直到选出最佳中心老大。
Knn小弟加队伍，离那个班相对近，就是那个班的。
10、EM（聚类）
EM 的英文是 Expectation Maximization，因此 EM 算法也叫最大指望算法，也是聚类算法的一种。
EM和K-Means的区别：
EM是计算几率，KMeans是计算距离。
EM属于软聚类，同同样本可能属于多个类别；而K-Means属于硬聚类，一个样本只能属于一个类别。因此前者可以发现一些隐藏的数据。
原理
先估计一个大几率的可能参数，而后再根据数据不断地进行调整，直到找到最终的确认参数。
比喻说明：菜称重。
不多有人用称对菜进行称重，再计算一半的份量进行平分。
大部分人的方法是：
一、先分一部分到碟子 A 中，再把剩余的分到碟子 B 中。
二、观察碟子 A 和 B 里的菜是否同样多，哪一个多就匀一些到少的那个碟子里。
三、而后再观察碟子 A 和 B 里的是否同样多，重复下去，直到分量不发生变化为止。
10大算法都已经说完了，其实通常来讲，经常使用算法都已经被封装到库中了，只要new出相应的模型便可。