1. 数据挖掘的十大算法是什么
数据挖掘是通过对大量数据的清理及处理以发现信息, 并将这原理应用于分类, 推荐系统, 预测等方面的过程。
数据挖掘过程：
1. 数据选择
在分析业务需求后, 需要选择应用于需求业务相关的数据. 明确业务需求并选择好业务针对性的数据是数据挖掘的先决条件。
2. 数据预处理
选择好的数据会有噪音, 不完整等缺陷, 需要对数据进行清洗, 集成, 转换以及归纳。
3. 数据转换
根据选择的算法, 对预处理好的数据转换为特定数据挖掘算法的分析模型。
4. 数据挖掘
使用选择好的数据挖掘算法对数据进行处理后得到信息。
5. 解释与评价
对数据挖掘后的信息加以分析解释, 并应用于实际的工作领域。
2. 数据挖掘有哪些算法
用的最多的应该是python和java吧，相对来说python入门简单，现在用的比较多
3. 数据挖掘哪些算法
这个题目的确是有点超出本科生能力，因为数据聚类算法很多，都不是很容易实现，更不用说在效果，效率上的分析，而且绝大多数算法的优缺点早就总结过了，也很难创新，我专业是数据挖掘，我在研究生期间都不做这样的论文
4. 数据挖掘五大类算法
数据筛选中数据挖掘的算法分析主要有以下几种。
分类算法分析
分类数据挖掘是通过找出共同事物的相同属性及不同事物间的差异。利用找出的相同点或者不同点将事物分类。决策树的优点在于，其描述简单，当数据量较大时仍能够快速的将数据进行分类。分类算法通常是基于决策树来实现，设定的分类种类都用叶子节点表示，而中间的节点用来表示事物的属性。在构造决策树时候，决策树并不是完全不变的，而是在不断变化的、完善的。通常会对建立的决策树进行实验，如果决策树对所有给定对象分类结果达不到预期要求，就要通过增加些特殊的例子对其进行完善，这一过程会在后续实验中不断进行，直到决策树能够将给定事物进行准确分类，形成较为完善的决策树。
分类算法在构建模型中使用广泛，常用于信用、客户类别分析模型中。在邮件营销中可以使用此分类算法依据已有客户以往的消费信息进行分析，得出购买力较高的客户特征列表，从而对此类客户进行精准营销以获得更多客户。在构建模型时，使用决策树的方法对于以往信息进行分类，得到以前进行消费客户的共同点，收集其共同特征，得出消费用户的主要特性。最后得出一个可以对客户进行判别的决策树，这样就可以对其余客户进行判定，得到较有价值的潜在客户列表。这种基于对已有信息进行分析、判断分类的方法，将已有信息分为不同类别，使得企业更有针对性的为不同类群提供针对性的服务，从而提高企业的决策效率和准确度。
聚类算法分析
聚类算法的作用是将具有相同特征的事物进行分组，又称为群分析。聚类算法可以用来大致判断将对象分为多少组，并提供每组数据的特征值。在聚类分析中可以将给定实例分成不同类别，相同类别中的实例是相关的，但是不向类别之间是不相关的。聚类算法中的重要之处就是分类步骤，在将给定实例分类时，需要先任选一个样本，作为样本中心，然后选定中心距，将小于中心距的实例归入一个集合，将剩下的距中心样本距离大于中心距的归入另一个集合。再在剩余样本中选出新的中心，重复上面步骤，不断形成新的类别，直至将所有样本都归入集合。
从上面步骤可以看出，聚类算法在归类时速度的快慢，受给定中心距的影响。如果给定中心距较小，类别就会相对增多，降低归类速度。同样在聚类算法中，确定将实例分成的类别数也是十分重要的，如果类别较多不但在分类时会耗费太多时间，也会失去分类的意义。但是具体应该分出多少类，并没有一个最优的方法来判定，只能通过估算来计算。通过聚类算法处理过后的数据，同一类中的数据都非常接近，不同类就有种很大差异性。在聚类算法中判断数据间间隔通常利用距离表示，也就是说可以利用函数将数据间任意距离转换成一个实数，通常实数越大表示间距越远。
关联算法分析
关联算法用于表示两事物间关系或依赖。事物问关联通常分为两种，一种是称为相关性，另一种称为关联性。两者都用来表示事物间的关联性，但是前者通常用来表示互联网内容及文档上的关联性，后者通常用于表示电子商务间各网站商品间的关系，但两者并无本质区别。关联算法既然是用来表示两事物问关系或依赖度，那么就需要用定量会来衡量相关度，这一概念被称为支持度，即当某个商品出现时另一商品伴随出现的概率。
关联算法的数据挖掘通常分为两步，第一步就是在集合中寻找出现频率较高的项目组，这些项目组相当于整体记录而言必须达到一定水平。通常会认为设置要分析实体间支持度，如果两实体问支持度大于设定值，则称二者为高频项目组。第二步是利用第一步找出的高频项目组确定二者间关系，这种关系通常由二者间概率表示。即计算A事件出现时B事件出现的概率，公式为(A与B同时出现的概率)/(A出现的概率)，当比值满足既定概率时候，才能说明两事件相关联。关联分析能够从数据库中找出已有数据间的隐含关系，从而利用数据获得潜在价值。
5. 数据分析与挖掘的十大算法
K均值聚类：最适合处理大数据，适用于大样本的个案聚类，分类数明确，适用于连续性变量； 系统聚类：适用于个案或变量聚类，对分类数没有要求，连续性和分类型变量均适用； 两步聚类：
1）分类变量和连续变量均可参与二阶聚类；
2）可自动确定分类数；
3）适用于大数据集；
4）用户可自己定制用于运算的内存容量
6. 数据挖掘的十大算法介绍
数据挖掘分类方法有下列几种：
（1）决策树
决策树归纳是经典的分类算法。它采用自顶向下递归的各个击破方式构造决策树。树的每一个结点上使用信息增益度量选择测试属性。可以从生成的决策树中提取规则。
(2) KNN法(K-Nearest Neighbor)
KNN法即K最近邻法，最初由Cover和Hart于1968年提出的，是一个理论上比较成熟的方法。该方法的思路非常简单直观：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。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。
(3) SVM法
SVM法即支持向量机(Support Vector Machine)法，由Vapnik等人于1995年提出，具有相对优良的性能指标。该方法是建立在统计学习理论基础上的机器学习方法。通过学习算法，SVM可以自动寻找出那些对分类有较好区分能力的支持向量，由此构造出的分类器可以最大化类与类的间隔，因而有较好的适应能力和较高的分准率。该方法只需要由各类域的边界样本的类别来决定最后的分类结果。
(4) VSM法
VSM法即向量空间模型(Vector Space Model)法，由Salton等人于60年代末提出。这是最早也是最出名的信息检索方面的数学模型。其基本思想是将文档表示为加权的特征向量：D=D(T1，W1；T2，W2；…；Tn，Wn)，然后通过计算文本相似度的方法来确定待分样本的类别。当文本被表示为空间向量模型的时候，文本的相似度就可以借助特征向量之间的内积来表示。
在
7. 数据挖掘的常用算法有哪几种
数据挖掘的基本步骤是：1、定义问题；2、建立数据挖掘库；3、分析数据；4、准备数据；5、建立模型；6、评价模型；7、实施。
具体步骤如下：
1、定义问题
在开始知识发现之前最先的也是最重要的要求就是了解数据和业务问题。必须要对目标有一个清晰明确的定义，即决定到底想干什么。比如，想提高电子信箱的利用率时，想做的可能是“提高用户使用率”，也可能是“提高一次用户使用的价值”，要解决这两个问题而建立的模型几乎是完全不同的，必须做出决定。
2、建立数据挖掘库
建立数据挖掘库包括以下几个步骤：数据收集，数据描述，选择，数据质量评估和数据清理，合并与整合，构建元数据，加载数据挖掘库，维护数据挖掘库。
3、分析数据
分析的目的是找到对预测输出影响最大的数据字段，和决定是否需要定义导出字段。如果数据集包含成百上千的字段，那么浏览分析这些数据将是一件非常耗时和累人的事情，这时需要选择一个具有好的界面和功能强大的工具软件来协助你完成这些事情。
4、准备数据
这是建立模型之前的最后一步数据准备工作。可以把此步骤分为四个部分：选择变量，选择记录，创建新变量，转换变量。
5、建立模型
建立模型是一个反复的过程。需要仔细考察不同的模型以判断哪个模型对面对的商业问题最有用。先用一部分数据建立模型，然后再用剩下的数据来测试和验证这个得到的模型。有时还有第三个数据集，称为验证集，因为测试集可能受模型的特性的影响，这时需要一个独立的数据集来验证模型的准确性。训练和测试数据挖掘模型需要把数据至少分成两个部分，一个用于模型训练，另一个用于模型测试。
6、评价模型
模型建立好之后，必须评价得到的结果、解释模型的价值。从测试集中得到的准确率只对用于建立模型的数据有意义。在实际应用中，需要进一步了解错误的类型和由此带来的相关费用的多少。经验证明，有效的模型并不一定是正确的模型。造成这一点的直接原因就是模型建立中隐含的各种假定，因此，直接在现实世界中测试模型很重要。先在小范围内应用，取得测试数据，觉得满意之后再向大范围推广。
7、实施
模型建立并经验证之后，可以有两种主要的使用方法。第一种是提供给分析人员做参考；另一种是把此模型应用到不同的数据集上。