一个优秀的数据分析师不仅要掌握基本的统计学、数据分析思维和数据分析工具，还要掌握基本的数据挖掘思路，帮助我们挖掘出有价值的数据，这也是数据分析专家与一般数据分析师的差距。
权威国际学术组织IEEE国际数据挖掘大会(ICDM)评选出了数据挖掘领域的十大经典算法：C4.5、k-means、SVM、Apriori、EM、PageRank、AdaBoost、KNN、朴素贝叶斯、cart。
不仅是十大入选算法，还有18个入选算法，其实其中任何一个都可以称得上是经典算法，在数据挖掘领域产生了极其深远的影响。今天主要分享10个经典算法，内容比较枯燥。建议收藏起来备用研究。
1. C4.5
C4.5算法是机器学习算法中的一种分类决策树算法，其核心算法是ID3算法。C4.5算法继承了ID3算法的优点，在以下几个方面对ID3算法进行了改进：1)采用信息增益率选择属性，克服了选择信息增益属性时，取值较多的属性存在偏差的缺点；
2)树木建设过程中的修剪；
3)可以完成连续属性的离散化；
4)能够处理不完整的数据。
C4.5算法具有以下优点：生成的分类规则简单易懂，准确率高。缺点是在构建树的过程中，数据集需要依次扫描排序几次，导致算法效率低下(相对的CART算法只需要扫描数据集两次，以下仅是决策树的优缺点)。
00-1010k-means算法是一种聚类算法，将n个对象按照其属性分为k个分区，k ^ n，它类似于处理混合正态分布的最大期望算法，因为它们都试图在数据中找到自然聚类的中心。它假设对象属性来自空间向量，目标是最小化每个组内的均方误差之和。
00-1010支持向量机，英文为Support Vector Machine，简称SV machine(本文一般简称SVM)。它是一种监督学习方法，广泛应用于统计分类和回归分析。支持向量机将向量映射到一个更高维的空间，在这个空间中建立一个具有最大区间的超平面。在分隔数据的超平面的两侧有两个相互平行的超平面。分离超平面使两个平行超平面之间的距离最大化。假设平行超平面之间的距离或间隙越大，分类器的总误差越小。一个很好的指南是《模式识别支持向量机指南》，作者是C.J.C .伯吉斯范沃尔特，巴纳德将SVM与其他分类器进行了比较。
2. The k-means algorithm 即K-Means算法
Apriori算法是挖掘布尔关联规则频繁项集最有影响力的算法之一。其核心是基于两级频率集思想的递归算法。关联规则分为一维、单层和布尔关联规则。这里，所有支持度大于最小支持度的项集称为频繁项集，简称频率集。
00-1010在统计计算中，期望最大化(EM)算法是一种寻找概率模型中参数最大似然估计的算法，其中概率模型依赖于不可观测的隐藏变量(潜伏变量)。最大期望常用于机器学习和计算机视觉的数据聚类领域。
h1 class="pgc-h-arrow-right">6. PageRankPageRank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。
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。
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。
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sqddm模型（Naive Bayesian Model，NBC）。 朴素sqddm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。
数据分析一定要懂的定理——sqddm定理
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。
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（二元切分法）；第二个想法是用验证数据进行剪枝（预剪枝、后剪枝）。在回归树的基础上的模型树构建难度可能增加了，但同时其分类效果也有提升。
参考书籍：《机器学习实战》
源：不论如何未来很美好