数据挖掘算法按任务类型的分类谱系

数据挖掘不是一种算法，而是解决不同问题的多类算法的统称，按要回答 的问题类型可以分成几个大类，每类内部又有多种具体实现可选。分类 算法回答”这个对象属于哪一类”（如k近邻算法：看一个样本在特征空间 里最相邻的k个样本大多属于哪一类，就判定它属于那一类；支持向量机： 在高维空间里找一个能把两类样本尽量分开、且间隔最大的分界面）。 聚类算法回答”这些对象能自然分成几群”，不需要预先知道类别标签（如 k-Means：把n个对象按属性分成k个组，让每组内部的误差平方和最小）。 关联性挖掘算法回答”哪些事物经常一起出现”（如Apriori算法：找出出现 频率超过阈值的项目组合，即”频繁项集”，是购物篮分析等场景的基础）。 预测算法回答”接下来会发生什么”，往往建立在分类/回归模型基础上对 未来做外推。降维算法和异常检测算法则分别解决”数据维度太高怎么 压缩”和”哪些数据点明显不正常”这两类支撑性问题。这套按任务类型 划分的谱系说明：面对一个具体的数据挖掘需求，第一步不是纠结该用 哪个具体算法，而是先想清楚这个需求本质上属于分类、聚类、关联、 预测里的哪一类问题，问题类型定了，可选算法的范围自然就收窄了。