集体智慧算法

   集体智慧(Collective Intelligence)，是指由许多的个体经过合做与竞争中所显现出来的智慧，集体智慧是一种共享的或者群体的智能。它是从许多个体的合做与竞争中涌现出来的。集体智慧在细菌、动物、人类以及计算机网络中造成，并以多种形式的协商一致的决策模式出现。

集体智慧经常使用的算法：

 

(1)贝叶斯分类器 

贝叶斯网络是一个带有几率注释的有向无环图，图中的每个结点均表示一个随机变量,图中两结点间若存在着一条弧，则表示这两结点相对应的随机变量是几率相依的，反之则说明这两个随机变量是条件独立的。网络中任意一个结点X 均有一个相应的条件几率表(Conditional Probability Table，CPT)，用以表示结点X 在其父结点取各可能值时的条件几率。若结点X 无父结点,则X 的CPT 为其先验几率分布。贝叶斯网络的结构及各结点的CPT 定义了网络中各变量的几率分布。 

(2)决策树算法 

决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用概括算法生成可读的规则和决策树，而后使用决策对新数据进行分析。本质上决策树是经过一系列规则对数据进行分类的过程。决策树算法构造决策树来发现数据中蕴涵的分类规则．如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树构造能够分两步进行。第一步，决策树的生成：由训练样本集生成决策树的过程。通常状况下，训练样本数据集是根据实际须要有历史的、有必定综合程度的，用于数据分析处理的数据集。第二步，决策树的剪技：决策树的剪枝是对上一阶段生成的决策树进行检验、校订和修下的过程，主要是用新的样本数扼集（称为测试数据集）中的数据校验决策树生成过程当中产生的初步规则，将那些影响预衡准确性的分枝剪除。 

(3)神经网络 

神经网络和粗集理论是智能信息处理的两种重要的方法,其任务是从大量观察和实验数据中获取知识、表达知识和推理决策规则。粗集理论是基于不可分辩性思想和知识简化方法,从数据中推理逻辑规则,适合于数据简化、数据相关性查找、发现数据模式、从数据中提取规则等。神经网络是利用非线性映射的思想和并行处理方法,用神经网络自己的结构表达输入与输出关联知识的隐函数编码,具备较强的并行处理、逼近和分类能力。在处理不许确、不完整的知识方面,粗集理论和神经网络都显示出较强的适应能力,然而二者处理信息的方法是不一样的,粗集方法模拟人类的抽象逻辑思惟,神经网络方法模拟形象直觉思惟,具备很强的互补性。 

(4)K-最近邻 

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：若是一个样本在特征空间中的k个最类似(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。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 KNN方法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少许的相邻样本有关。因为KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来肯定所属类别的，所以对于类域的交叉或重叠较多的待分样本集来讲，KNN方法较其余方法更为适合。