Top 10 cei mai obișnuiți algoritmi de data mining pe care ar trebui să-i cunoașteți

Miningul de date este procesul de găsire a modelelor și repetițiilor în seturi mari de date și este un domeniu al informaticii. Tehnicile și algoritmii de extragere a datelor sunt utilizate pe scară largă în inteligența artificială și știința datelor. Există mulți algoritmi, dar să discutăm primii 10 din lista de algoritmi de data mining.

Top 10 algoritmi de data mining

1. C4.5 Algoritm

C4.5 este unul dintre cei mai buni algoritmi de extragere a datelor și a fost dezvoltat de Ross Quinlan. C4.5 este folosit pentru a genera un clasificator sub forma unui arbore de decizie dintr-un set de date care a fost deja clasificat. Clasificatorul se referă aici la un instrument de extragere a datelor care preia datele pe care trebuie să le clasificăm și încearcă să prezică clasa de date noi.

Fiecare punct de date va avea propriile sale atribute. Arborele de decizie creat de C4.5 pune o întrebare despre valoarea unui atribut și, în funcție de aceste valori, noile date sunt clasificate. Setul de date de antrenament este etichetat cu fete, făcând C4.5 un algoritm de învățare supravegheată. Arborele de decizie sunt întotdeauna ușor de interpretat și explicat, făcând C4.5 rapid și popular în comparație cu alți algoritmi de extragere a datelor.

2. Algoritmul K-mean

Unul dintre cei mai comuni algoritmi de grupare, k-means funcționează prin crearea unui număr ak de grupuri dintr-un set de obiecte bazat pe asemănarea dintre obiecte. Este posibil să nu fie garantat că membrii grupului vor fi exact similari, dar membrii grupului vor fi mai asemănători în comparație cu membrii care nu fac parte din grup. Conform implementărilor standard, k-means este un algoritm de învățare nesupravegheat, deoarece învață clusterul pe cont propriu, fără nicio informație externă.

3. Suport mașini vectoriale

În ceea ce privește sarcinile, Mașina vectorială de suport (SVM) funcționează similar cu algoritmul C4.5, cu excepția faptului că SVM nu utilizează deloc arbori de decizie. SVM învață seturile de date și definește un hiperplan pentru a clasifica datele în două clase. Un hiperplan este o ecuație pentru o dreaptă care arată ceva de genul „ y = mx + b”. SVM exagerează pentru a vă proiecta datele la dimensiuni mai mari. Odată proiectat, SVM a definit cel mai bun hiperplan pentru a separa datele în cele două clase.

4. Algoritmul apriori

Algoritmul apriori funcționează prin învățarea regulilor de asociere. Regulile de asociere sunt o tehnică de extragere a datelor care este utilizată pentru a învăța corelațiile dintre variabilele dintr-o bază de date. Odată ce regulile de asociere sunt învățate, acestea sunt aplicate unei baze de date care conține un număr mare de tranzacții. Algoritmul apriori este folosit pentru a descoperi modele interesante și relații reciproce și, prin urmare, este tratat ca o abordare de învățare nesupravegheată. Cred că algoritmul este foarte eficient, consumă multă memorie, folosește mult spațiu pe disc și necesită mult timp.

5. Algoritmul de așteptare-maximizare

Expectation-Maximization (EM) este folosit ca algoritm de grupare, la fel ca algoritmul k-means pentru descoperirea cunoștințelor. Algoritmul EM funcționează în iterații pentru a optimiza șansele de a vedea datele observate. În continuare, se estimează parametrii modelului statistic cu variabile neobservate, generând astfel unele date observate. Algoritmul de maximizare a așteptărilor (EM) este din nou învățare nesupravegheată, deoarece îl folosim fără a furniza informații despre clasă etichetate.

6. Algoritmul PageRank

PageRank este folosit în mod obișnuit de motoarele de căutare precum Google. Este un algoritm de analiză a legăturilor care determină importanța relativă a unui obiect legat într-o rețea de obiecte. Analiza legăturilor este un tip de analiză a rețelei care explorează asocierile dintre obiecte. Căutarea Google folosește acest algoritm prin înțelegerea backlink-urilor dintre paginile web.

Este una dintre metodele pe care le folosește Google pentru a determina importanța relativă a unei pagini web și pentru a o clasa mai sus pe motorul de căutare Google. Marca înregistrată PageRank este proprietatea Google, iar algoritmul PageRank este brevetat de Universitatea Stanford. PageRank este tratat ca o abordare de învățare nesupravegheată, deoarece determină importanța relativă doar luând în considerare legăturile și nu necesită alte intrări.

7. Algoritmul Adaboost

AdaBoost este un algoritm de amplificare utilizat pentru a construi un clasificator. Un clasificator este un instrument de extragere a datelor care preia date prezice clasa datelor pe baza intrărilor. Algoritmul de creștere este un algoritm de învățare ansamblu care rulează mai mulți algoritmi de învățare și îi combină.

Algoritmii de stimulare iau un grup de cursanți slabi și îi combină pentru a forma un singur cursant puternic. Un cursant slab clasifică datele cu mai puțină acuratețe. Cel mai bun exemplu de algoritm slab este algoritmul de ciot de decizie care este practic un arbore de decizie într-un singur pas. Adaboost este o învățare supervizată perfectă, deoarece funcționează în iterații și, în fiecare iterație, antrenează cursanții mai slabi cu setul de date etichetat. Adaboost este un algoritm simplu și destul de simplu de implementat.

După ce utilizatorul specifică numărul de runde, fiecare iterație succesivă AdaBoost redefinește ponderile pentru fiecare dintre cei mai buni cursanți. Acest lucru face din Adaboost o modalitate super elegantă de a regla automat un clasificator. Adaboost este flexibil, versatil și elegant, deoarece poate încorpora majoritatea algoritmilor de învățare și poate prelua o mare varietate de date.

Citiți: Cele mai comune exemple de data mining

8. Algoritmul kNN

kNN este un algoritm de învățare leneș folosit ca algoritm de clasificare. Un cursant leneș nu va face nimic în timpul procesului de formare, cu excepția stocării datelor de antrenament. Cursanții leneși încep să clasifice numai atunci când sunt date noi date neetichetate ca intrare. C4.5, SVN și Adaboost, pe de altă parte, sunt cursanți dornici care încep să construiască modelul de clasificare în timpul antrenamentului în sine. Deoarece kNN primește un set de date de antrenament etichetat, acesta este tratat ca un algoritm de învățare supravegheat.

9. Algoritmul Bayes naiv

Naive Bayes nu este un singur algoritm, deși poate fi văzut că funcționează eficient ca un singur algoritm. Naive Bayes este o grămadă de algoritmi de clasificare puși împreună. Presupunerea utilizată de familia de algoritmi este că fiecare caracteristică a datelor clasificate este independentă de toate celelalte caracteristici care sunt date în clasă. Naive Bayes este furnizat cu un set de date de antrenament etichetat pentru a construi tabele. Deci, este tratat ca un algoritm de învățare supravegheată.

10. Algoritmul CART

CART înseamnă arbori de clasificare și regresie. Este un algoritm de învățare a arborelui de decizie care oferă fie arbori de regresie, fie arbori de clasificare ca rezultat. În CART, nodurile arborelui de decizie vor avea exact 2 ramuri. La fel ca C4.5, CART este, de asemenea, un clasificator. Modelul arborelui de regresie sau clasificare este construit folosind un set de date de antrenament etichetat furnizat de utilizator. Prin urmare, este tratată ca o tehnică de învățare supravegheată

Concluzie

Așadar, iată primele 10 date din lista de algoritmi de extragere a datelor. Sperăm că acest articol a făcut puțină lumină pe baza acestor algoritmi.

Dacă sunteți curios să aflați mai multe despre Data Science, consultați Programul Executive PG în Data Science de la IIIT-B și upGrad, care este conceput pentru profesioniștii care lucrează pentru a se perfecționa fără a-și părăsi locul de muncă. Cursul oferă unul la unu cu mentori din industrie, opțiune Easy EMI, statut de absolvent IIIT-B și multe altele. Verificați pentru a afla mai multe.