ICDM:数据挖掘十大算法

Author: Huan Li Date : Apr 15, 2013 Updated On : May 31, 2018
Categories: 科研笔记
2,017 words in total, 8 minutes required.

2006年12月,国际会议IEEE International Conference on Data Mining(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, Naive Bayes, and CART.

投票过程

提名

ICDM2006上邀请ACM KDD Innovation Aword 和IEEE ICDM Research Contributions Aword 获奖者参与top 10 大算法的提名。每人各提名10种他认为最重要的算法,同时给出提名该算法的理由,该算法的代表性论文。所提名的算法必须是在该领域被广泛研究和引用的论文

审核

通过Google Scholar对每个提名算法引用进行审核。以此删除名单中引用低于50的论文。最后剩下18种算法。

投票

邀请了:

  1. KDD06/ICDM06和SDM06的程序委员会的成员
  2. ACM KDD创新奖和IEEE ICDM研究贡献奖获得者

最后通过投票排名选出Top 10算法。

18个候选者

  • Classification
    • C4.5 (1993) C4.5: programs for Machine Learning
    • CART(1984) classification and Regression Trees
    • K Nearest Neighbors(KNN) (1996) Discriminant Adaptive Nearest Neighbor Classification
    • Naïve Bayes(2001) Idiot’s Bayes: Not So Stupid After All?Internat
  • Statistical Learning
    • SVM(1995) The Nature of Statistical Learning Theory
    • EM(2000) Finite Mixture Models
  • Association Analysis
    • Apriori(1994) Fast Algorithms for Mining Association Rules
    • FP. Tree(2000) Mining Frequent patterns without candidate generation
  • Link Mining
    • Page Rank(1998) The anatomy of a large-scale hyperlinked environment
    • HITS(1998) Authoritative source in a hyperlinked environment
  • Clustering
    • K-Means(1967) Some methods for classification and analysis of multivariate observations
    • BIRCH(1996) BIRCH: an efficient data clustering method for very large databases
  • Bagging and Boosting
    • AdaBoost(1997) A decision-theoretic generalization of on-line learning and an application to boosting
  • Sequential Patterns
    • GSP(1996) Mining Sequential Patterns: Generalizations and Performance Improvements
    • PrefixSpan(2001) PrefixSpan: Mining Sequential Patterns Efficiently by Projected Pattern Growth
  • Integrated Mining
    • CBA(1998) Integrating classification and association rule mining
      Rough Sets
    • Finding reduct(1992) Rough Sets: Theoretical Aspects of Reasoning about Data
      Graph Mining
    • gSpan(2002) gSpan: Graph-Based Substructure Pattern Mining

结果

Top 10 algorithm in DMTop 10 algorithm in DM

相关文献

十大算法简介

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,并在以下几方面对ID3算法进行了改进:

1) 用信息增益率来选择属性,克服了用信息增益选择属性时偏向选择取值多的属性的不足;
2) 在树构造过程中进行剪枝;
3) 能够完成对连续属性的离散化处理;
4) 能够对不完整数据进行处理。

C4.5算法有如下优点:产生的分类规则易于理解,准确率较高。其缺点是:在构造树的过程中,需要对数据集进行多次的顺序扫描和排序,因而导致算法的低效。

The k-means algorithm 即K-Means算法

k-means algorithm算法是一个聚类算法,把n个对象根据他们的属性分为k个分割,k大于等于n。它与处理混合正态分布的最大期望算法很相似,因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量,并且目标是使各个群组内部的均方误差总和最小。

Support vector machines

支持向量机,英文为Support Vector Machine,简称SV机(论文中一般简称SVM)。它是一种監督式學習的方法,它广泛的应用于统计分类以及回归分析中。支持向量机将向量映射到一个更高维的空间里,在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大,分类器的总误差越小。一个极好的指南是C.J.C Burges的《模式识别支持向量机指南》。van der Walt 和 Barnard 将支持向量机和其他分类器进行了比较。

The Apriori algorithm

Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里,所有支持度大于最小支持度的项集称为频繁项集,简称频集。

最大期望(EM)算法

在统计计算中,最大期望(EM,Expectation–Maximization)算法是在概率(probabilistic)模型中寻找参数最大似然估计的算法,其中概率模型依赖于无法观测的隐藏变量(Latent Variabl)。最大期望经常用在机器学习和计算机视觉的数据集聚(Data Clustering)领域。

PageRank

PageRank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。

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。

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。

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)和朴素贝叶斯模型(Naive Bayesian Model,NBC)。 朴素贝叶斯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。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。

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;第二个想法是用验证数据进行剪枝。