常用数据挖掘算法研究

王海涛，陈树宁

（商丘职业技术学院 河南 商丘 476000）

“数据挖掘算法”是创建数据挖掘模型的机制。为了创建模型，算法将首先分析一组数据并查找特定模式和趋势。算法使用此分析的结果来定义挖掘模型的参数。然后，这些参数应用于整个数据集，以便提取可行模式和详细统计信息。下面是笔者就各种算法的原理及适用范围做的总结。

1 各种算法原理及适用范围

1.1 贝叶斯算法

贝叶斯算法是一种分类算法，用于预测性建模。该算法在假定输入属性互不相关的前提下来计算输入列和可预测列之间的条件概率。该算法的名称 Naive Bayes即由这一无关性假定而来。

与其他算法相比，该算法所需的运算量小，因而能够快速生成挖掘模型，以发现输入列和可预测列之间的关系。可以使用该算法进行初始数据探测，然后根据该算法的结果使用其他运算量较大、更加精确的算法创建其他挖掘模型。

该算法适用于分类任务和预测任务。

特别适合于初始的数据挖掘及验证输入列与输出列之间有无关系的任务。

1.2 决策树

决策树是一种分类和回归算法，用于对离散和连续属性进行预测性建模。

决策树的基本原理是递归地将数据拆分成子集，以便每一个子集包含目标变量类似的状态，这些目标变量是可预测属性[1]。每一次对树进行拆分，都要评价所有的输入属性对可预测属性的影响程度，当这个递归的过程结束时，决策树也就完成了。

对于连续属性，该算法使用线性回归确定决策树的拆分位置。……