Vad är algoritm för dataanläggning?
En data mining-algoritm är en uppsättning undersöknings- och analysalgoritmer som hjälper till att skapa en modell för data. För att få en konkret modell måste algoritmen först analysera de data som du tillhandahåller som kan hitta specifika typer av mönster eller trender. Resultatet av denna algoritm är en analys av olika iterationer som kan hjälpa till att hitta optimala parametrar för en korrekt dataminingmodell. Dessa uppsättningar av parametrar kan tillämpas över hela datamängden och de hjälper till att extrahera de handlingsbara mönstren och få en detaljerad statistik över data.
Top Data Mining Algoritms
Låt oss titta på de viktigaste algoritmerna för data mining:
1. C4.5 algoritm
Det finns konstruktioner som används av klassificerare som är verktyg för datainsamling. Dessa system tar ingångar från en samling fall där varje fall tillhör ett av de lilla antalet klasser och beskrivs av dess värden för en fast uppsättning attribut. Utgångsklassificeringen kan exakt förutsäga den klass som den tillhör. Det använder sig av beslutsträd där det första initialträdet förvärvas genom att använda en klyvnings- och erövringsalgoritm.
Anta att S är en klass och trädet är bladmärkt med den vanligaste klassen i S. Att välja ett test baserat på ett enda attribut med två eller flera resultat än att göra detta test som rot en gren för varje resultat av testet kan användas. Partitionerna motsvarar delmängderna S1, S2, etc. som är resultat för varje fall. C4.5 möjliggör flera resultat. När det gäller komplexa beslutsträd har C4.5 infört en alternativ formel, som består av en lista med regler, där dessa regler är grupperade för varje klass. För att klassificera ärendet namnges den första klass vars villkor är uppfyllda som den första. Om ingen regel uppfylls av fallet tilldelas det en standardklass. C4.5-regeluppsättningarna bildas från det första beslutsträdet. C4.5 förbättrar skalbarheten genom multigängning.
2. K-betyder algoritmen
Denna algoritm är en enkel metod för att partitionera en given datauppsättning i det användarspecifika antalet kluster. Denna algoritm fungerar på d-dimensionella vektorer, D = (xi | i = 1, … N) där jag är datapunkten. För att få dessa ursprungliga datafrön måste data samplas slumpmässigt. Detta sätter lösningen att klustera en liten deluppsättning data, det globala medelvärdet för data k gånger. Denna algoritm kan kopplas ihop med en annan algoritm för att beskriva icke-konvexa kluster. Det skapar k-grupper från den givna uppsättningen objekt. Den utforskar hela datauppsättningen med sin klusteranalys. Det är enkelt och snabbare än andra algoritmer när det används med andra algoritmer. Denna algoritm klassificeras mestadels som halvövervakad. Tillsammans med att ange antalet kluster fortsätter det att lära sig utan information. Den observerar klustret och lär sig.
3. Naive Bayes algoritm
Denna algoritm är baserad på Bayes teorem. Denna algoritm används huvudsakligen när dimensionerna hos input är hög. Denna klassificerare kan enkelt beräkna nästa möjliga utgång. Nya rådata kan läggas till under körtiden och det ger en bättre sannolikhetsklassificering. Varje klass har en känd uppsättning vektorer som syftar till att skapa en regel som gör att objekten kan tilldelas klasser i framtiden. Vektorerna med variabler beskriver framtida objekt. Detta är en av de enklaste algoritmerna eftersom den är lätt att konstruera och inte har några komplicerade schemat för uppskattning av parametrar. Det kan också enkelt tillämpas på enorma datamängder. Den behöver inte några komplicerade iterativa parametreringsscheman och följaktligen kan användare som är okvalificerade förstå varför klassificeringarna görs.
4. Stöd vektormaskiner Algoritm
Om en användare vill ha robusta och exakta metoder, måste algoritmen för Support Vector-maskiner testas. SVM: er används främst för att lära sig klassificering, regression eller rankingfunktion. Det bildas på grundval av strukturell riskminimering och statistisk inlärningsteori. Beslutsgränserna måste identifieras som kallas ett hyperplan. Det hjälper till att optimera klasserna. SVMs huvudsakliga uppgift är att identifiera maximeringsmarginalen mellan två klasser. Marginalen definieras som mängden utrymme mellan två klasser. En hyperplanfunktion är som en ekvation för linjen, y = MX + b. SVM kan också utvidgas till att också utföra numeriska beräkningar. SVM använder sig av kärnan så att den fungerar bra i högre dimensioner. Detta är en övervakad algoritm och datauppsättningen används för att först meddela SVM om alla klasser. När detta är gjort kan SVM kunna klassificera dessa nya data.
5. Apriori-algoritmen
För att hitta de vanliga artiklarna från en transaktionsdataset och härleda associeringsregler används Apriori-algoritmen i stor utsträckning. Att hitta täta objektuppsättningar är inte svårt på grund av dess kombinatoriska explosion. När vi väl har fått de täta artiklarna är det uppenbart att generera associeringsregler för större eller lika specificerat minimikontroll. Apriori är en algoritm som hjälper till att hitta ofta datauppsättningar genom att använda kandidatgenerering. Det antar att objektuppsättningen eller objekten som finns är sorterade i leksikografisk ordning. Efter introduktionen av Apriori har forskningen kring data mining utvärderats särskilt. Det är enkelt och enkelt att implementera. Den grundläggande metoden för denna algoritm är som nedan:
- Gå med : Hela databasen används för hur ofta 1 artikeluppsättningar för sko.
- Beskärning : Den här artikeluppsättningen måste tillfredsställa stödet och förtroendet för att gå till nästa omgång för de två artikelsatserna.
- Upprepa : Tills den fördefinierade storleken inte nås förrän detta upprepas för varje inställningsnivå.
Slutsats
Med de fem algoritmerna som används på ett framträdande sätt finns det andra som hjälper till att bryta data och också lära sig. Den integrerar olika tekniker inklusive maskininlärning, statistik, mönsterigenkänning, artificiell intelligens och databasesystem. Alla dessa hjälper till att analysera stora uppsättningar av data och utföra olika dataanalysuppgifter. Därför är de de mest användbara och pålitliga analysalgoritmerna.
Rekommenderade artiklar
Detta har varit en guide till algoritmer för dataanläggning. Här diskuterade vi de grundläggande koncepten och de viktigaste data mining algoritmerna. Du kan också gå igenom våra andra föreslagna artiklar för att lära dig mer-
- Vad är mjukvarutestning?
- Beslutsträdalgoritm
- Vad är Generics i Java?
- Arkitektur av datakommunikation
- Tillämpningar av data mining
- Exempel och hur generiker fungerar i C #
- Modeller i dataanläggning med fördelar