`

数据挖掘经典算法(转)

阅读更多

Classification
==============

#1. C4.5

Quinlan, J. R. 1993. C4.5: Programs for Machine Learning.
Morgan Kaufmann Publishers Inc.


#2. CART

L. Breiman, J. Friedman, R. Olshen, and C. Stone. Classification and
Regression Trees. Wadsworth, Belmont, CA, 1984.

#3. K Nearest Neighbours (kNN)

Hastie, T. and Tibshirani, R. 1996. Discriminant Adaptive Nearest
Neighbor Classification. IEEE Trans. Pattern
Anal. Mach. Intell. (TPAMI). 18, 6 (Jun. 1996), 607-616.
DOI= http://dx.doi.org/10.1109/34.506411

#4. Naive Bayes

Hand, D.J., Yu, K., 2001. Idiot's Bayes: Not So Stupid After All?
Internat. Statist. Rev. 69, 385-398.


Statistical Learning
====================

#5. SVM

Vapnik, V. N. 1995. The Nature of Statistical Learning
Theory. Springer-Verlag New York, Inc.

#6. EM

McLachlan, G. and Peel, D. (2000). Finite Mixture Models.
J. Wiley, New York.


Association Analysis
====================

#7. Apriori

Rakesh Agrawal and Ramakrishnan Srikant. Fast Algorithms for Mining
Association Rules. In Proc. of the 20th Int'l Conference on Very Large
Databases (VLDB '94), Santiago, Chile, September 1994.
http://citeseer.comp.nus.edu.sg/agrawal94fast.html

#8. FP-Tree

Han, J., Pei, J., and Yin, Y. 2000. Mining frequent patterns without
candidate generation. In Proceedings of the 2000 ACM SIGMOD
international Conference on Management of Data (Dallas, Texas, United
States, May 15 - 18, 2000). SIGMOD '00. ACM Press, New York, NY, 1-12.
DOI= http://doi.acm.org/10.1145/342009.335372


Link Mining
===========

#9. PageRank

Brin, S. and Page, L. 1998. The anatomy of a large-scale hypertextual
Web search engine. In Proceedings of the Seventh international
Conference on World Wide Web (WWW-7) (Brisbane,
Australia). P. H. Enslow and A. Ellis, Eds. Elsevier Science
Publishers B. V., Amsterdam, The Netherlands, 107-117.
DOI= http://dx.doi.org/10.1016/S0169-7552(98)00110-X

#10. HITS

Kleinberg, J. M. 1998. Authoritative sources in a hyperlinked
environment. In Proceedings of the Ninth Annual ACM-SIAM Symposium on
Discrete Algorithms (San Francisco, California, United States, January
25 - 27, 1998). Symposium on Discrete Algorithms. Society for
Industrial and Applied Mathematics, Philadelphia, PA, 668-677.


Clustering
==========

#11. K-Means

MacQueen, J. B., Some methods for classification and analysis of
multivariate observations, in Proc. 5th Berkeley Symp. Mathematical
Statistics and Probability, 1967, pp. 281-297.

#12. BIRCH

Zhang, T., Ramakrishnan, R., and Livny, M. 1996. BIRCH: an efficient
data clustering method for very large databases. In Proceedings of the
1996 ACM SIGMOD international Conference on Management of Data
(Montreal, Quebec, Canada, June 04 - 06, 1996). J. Widom, Ed.
SIGMOD '96. ACM Press, New York, NY, 103-114.
DOI= http://doi.acm.org/10.1145/233269.233324


Bagging and Boosting
====================

#13. AdaBoost

Freund, Y. and Schapire, R. E. 1997. A decision-theoretic
generalization of on-line learning and an application to
boosting. J. Comput. Syst. Sci. 55, 1 (Aug. 1997), 119-139.
DOI= http://dx.doi.org/10.1006/jcss.1997.1504


Sequential Patterns
===================

#14. GSP

Srikant, R. and Agrawal, R. 1996. Mining Sequential Patterns:
Generalizations and Performance Improvements. In Proceedings of the
5th international Conference on Extending Database Technology:
Advances in Database Technology (March 25 - 29, 1996). P. M. Apers,
M. Bouzeghoub, and G. Gardarin, Eds. Lecture Notes In Computer
Science, vol. 1057. Springer-Verlag, London, 3-17.

#15. PrefixSpan

J. Pei, J. Han, B. Mortazavi-Asl, H. Pinto, Q. Chen, U. Dayal and
M-C. Hsu. PrefixSpan: Mining Sequential Patterns Efficiently by
Prefix-Projected Pattern Growth. In Proceedings of the 17th
international Conference on Data Engineering (April 02 - 06,
2001). ICDE '01. IEEE Computer Society, Washington, DC.


Integrated Mining
=================

#16. CBA

Liu, B., Hsu, W. and Ma, Y. M. Integrating classification and
association rule mining. KDD-98, 1998, pp. 80-86.
http://citeseer.comp.nus.edu.sg/liu98integrating.html
  

Rough Sets
==========

#17. Finding reduct

Zdzislaw Pawlak, Rough Sets: Theoretical Aspects of Reasoning about
Data, Kluwer Academic Publishers, Norwell, MA, 1992


Graph Mining
============

#18. gSpan

Yan, X. and Han, J. 2002. gSpan: Graph-Based Substructure Pattern
Mining. In Proceedings of the 2002 IEEE International Conference on
Data Mining (ICDM '02) (December 09 - 12, 2002). IEEE Computer
Society, Washington, DC.
分享到:
评论

相关推荐

    数据挖掘经典算法综述

    ### 数据挖掘经典算法综述 #### 一、引言 数据挖掘是一门融合了数据库技术、统计学、机器学习等多个领域的综合性学科。随着信息技术的飞速发展,数据挖掘已成为企业和研究机构的重要工具,用于从海量数据中提取有...

    数据挖掘经典算法

    以下是一些在标题和描述中提到的经典数据挖掘算法的详细说明: 1. C4.5:C4.5是ID3算法的升级版,由Ross Quinlan开发,主要用于决策树的构建。它通过信息增益和信息增益率来选择最佳属性进行划分,可以处理连续和...

    数据挖掘中十大经典算法

    数据挖掘十大经典机器学习算法,国际权威的学术组织 the IEEE International Conference on Data Mining (ICDM) 2006 年 12 月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, ...

    数据挖掘与算法

    本书在介绍了数据挖掘原理的基础上,从实用的角度出发,详细地介绍了数据挖掘的经典算法。第1章从不同的角度对数据挖掘进行了介绍,第2章介绍了数据仓库技术的概念并给出了数据立方体的理论基础。第3章讲述了数据...

    数据挖掘原理与算法

    模式发现阶段则包括了各种数据挖掘算法的应用。而知识表达则关注于如何将挖掘出的模式以易于理解的方式呈现。 数据挖掘与其他相关技术的关系主要涉及数据挖掘与数据库知识发现、OLAP(在线分析处理)、人工智能和...

    数据挖掘经典算法(Java编写)

    本资源包含一系列用Java编程语言实现的经典数据挖掘算法,这些算法是数据挖掘领域的基石,对于理解算法原理及应用具有很高的价值。 1. C4.5算法: C4.5是由Ross Quinlan开发的决策树学习算法,是对ID3算法的改进。C...

    数据挖掘算法

    以下是关于数据挖掘算法的详细阐述: 一、数据挖掘的目标与类型 数据挖掘的目标包括分类、聚类、关联规则学习、序列模式挖掘、异常检测和回归分析等。其中,分类是将数据分为预定义的类别;聚类则是无监督学习,将...

    数据挖掘经典算法Apriori

    数据挖掘是一种从海量数据中提取有价值知识的过程,而Apriori算法是数据挖掘领域中最为经典和基础的关联规则学习算法之一。它由Raghu Ramakrishnan和Ganesh Raghavan在1994年提出,主要用于发现数据库中频繁项集以及...

    数据挖掘经典算法——Apriori算法(C实现)

    这是数据挖掘经典算法——Apriori算法(C实现),有详细的注释,希望能够与更多的朋友分享,谢谢!

    数据挖掘经典算法 关联规则挖掘Apriori算法

    通过阅读和理解这段代码,你可以更深入地了解Apriori算法的内部工作原理,并可能对其进行修改或扩展以适应不同的数据挖掘任务。对于学习数据挖掘或者关联规则挖掘的初学者,这是一个很好的实践资源。

    数据挖掘经典算法的代码

    第一部分给出了常用数据挖掘算法的介绍资料以及对应的C语言源代码,第二部分给出了实例应用的具体实例,第三部分分享了经典PPT教程。

    数据挖掘算法实例.PDF

    本资料集包含的数据挖掘算法实例,将帮助我们深入理解这一领域的核心概念。 第一章《数据挖掘基本知识》会介绍数据挖掘的基本概念,包括定义、目标和应用领域。它可能涵盖数据挖掘的三大任务:分类、聚类和关联规则...

    常用数据挖掘算法总结及Python实现.pdf

    第七部分,数据结构与算法,讲解了如数组、链表、树、图等基本数据结构以及排序、查找等经典算法,这些都是有效解决数据挖掘问题的基础。 第八部分,SQL知识,介绍了SQL(结构化查询语言),它是处理关系数据库的...

    数据挖掘原理与算法课程资料

    本课程资料主要涵盖了数据挖掘的基本原理和算法实现,旨在帮助学习者掌握这一领域的核心概念。 首先,统计学习是数据挖掘的基础,它涉及到概率论、假设检验、回归分析等方法。"数理统计学教程(陈希孺+倪国熙).pdf...

    数据挖掘的2个经典改进算法

    数据挖掘是一种从海量数据中提取有价值知识的...总的来说,C4.5和随机森林作为数据挖掘中的经典改进算法,为理解和解决复杂数据问题提供了有力工具。通过不断的研究和优化,这些算法将继续在数据科学领域发挥重要作用。

    袁博-数据挖掘理论与算法

    在这个由袁博教授讲解的“数据挖掘理论与算法”课程中,我们将深入探讨这一领域的核心概念和实用工具。 首先,我们从基础理论开始。数据挖掘的目标是发现模式、关联规则和趋势,这可以通过分类、聚类、回归和关联...

    数据挖掘十大经典算法总结

    十大经典数据挖掘算法由IEEE International Conference on Data Mining (ICDM)在2006年评选出,其中包括: 1. **C4.5**:这是一种决策树算法,是对ID3算法的改进。C4.5使用信息增益率代替信息增益来选择最佳划分...

    Java经典算法之数据挖掘

    本资源聚焦于Java实现的经典数据挖掘算法,涵盖了分类、关联分析、集成采矿、聚类、连接挖掘以及统计学习等多个方面。 首先,分类算法是数据挖掘中的核心部分,它根据已有的特征将数据分为不同的类别。常见的Java...

Global site tag (gtag.js) - Google Analytics