svm資料庫

A. 數據挖掘常用的方法有哪些

分類是找出資料庫中的一組數據對象的共同特點並按照分類模式將其劃分為不同的類，其目的是通過分類模型，將資料庫中的數據項映射到摸個給定的類別中。可以應用到涉及到應用分類、趨勢預測中，如淘寶商鋪將用戶在一段時間內的購買情況劃分成不同的類，根據情況向用戶推薦關聯類的商品，從而增加商鋪的銷售量。

主要的分類方法：決策樹、KNN 法 (K-Nearest Neighbor)、SVM 法、VSM 法、Bayes 法、神經網路等。

2、聚類

聚類指事先並不知道任何樣本的類別標號，按照對象的相似性和差異性，把一組對象劃分成若干類，並且每個類裡面對象之間的相似度較高，不同類裡面對象之間相似度較低或差異明顯。我們並不關心某一類是什麼，我們需要實現的目標只是把相似的東西聚到一起，聚類是一種無監督學習。

聚類的方法(演算法)：主要的聚類演算法可以劃分為如下幾類，劃分方法、層次方法、基於密度的方法、基於網格的方法、基於模型的方法。每一類中都存在著得到廣泛應用的演算法， 劃分方法中有 k-means 聚類演算法、層次方法中有凝聚型層次聚類演算法、基於模型方法中有神經網路聚類演算法。

3、回歸分析

回歸分析是一個統計預測模型，用以描述和評估因變數與一個或多個自變數之間的關系;反映的是事務資料庫中屬性值在時間上的特徵，產生一個將數據項映射到一個實值預測變數的函數，發現變數或屬性間的依賴關系。

回歸分析的應用：回歸分析方法被廣泛地用於解釋市場佔有率、銷售額、品牌偏好及市場營銷效果。它可以應用到市場營銷的各個方面，如客戶尋求、保持和預防客戶流失活動、產品生命周期分析、銷售趨勢預測及有針對性的促銷活動等。

回歸分析的主要研究問題：數據序列的趨勢特徵、數據序列的預測、數據間的相關關系等。

4、關聯規則

關聯規則是隱藏在數據項之間的關聯或相互關系，即可以根據一個數據項的出現推導出其他數據項的出現。關聯規則是描述資料庫中數據項之間所存在的關系的規則。

5、神經網路方法

神經網路作為一種先進的人工智慧技術，因其自身自行處理、分布存儲和高度容錯等特性非常適合處理非線性的問題，以及那些以模糊、不完整、不嚴密的知識或數據為特徵的問題，它的這一特點十分適合解決數據挖掘的問題。

6、Web數據挖掘

web數據挖掘是一項綜合性技術，指Web從文檔結構和使用的集合C中發現隱含的模式P，如果將C看做是輸入，P 看做是輸出，那麼Web 挖掘過程就可以看做是從輸入到輸出的一個映射過程。

7、特徵分析

特徵分析是從資料庫中的一組數據中提取出關於這些數據的特徵式，這些特徵式表達了該數據集的總體特徵。

8、偏差分析

偏差是數據集中的小比例對象。通常，偏差對象被稱為離群點、例外、野點等。偏差分析就是發現與大部分其他對象不同的對象。

B. 數據挖掘的方法有哪些

利用數據挖掘進行數據分析常用的方法主要有分類、回歸分析、聚類、關聯規則、特徵、變化和偏差分析、Web頁挖掘等， 它們分別從不同的角度對數據進行挖掘。
1、分類
分類是找出資料庫中一組數據對象的共同特點並按照分類模式將其劃分為不同的類，其目的是通過分類模型，將資料庫中的數據項映射到某個給定的類別。它可以應用到客戶的分類、客戶的屬性和特徵分析、客戶滿意度分析、客戶的購買趨勢預測等，如一個汽車零售商將客戶按照對汽車的喜好劃分成不同的類，這樣營銷人員就可以將新型汽車的廣告手冊直接郵寄到有這種喜好的客戶手中，從而大大增加了商業機會。
2、回歸分析
回歸分析方法反映的是事務資料庫中屬性值在時間上的特徵，產生一個將數據項映射到一個實值預測變數的函數，發現變數或屬性間的依賴關系，其主要研究問題包括數據序列的趨勢特徵、數據序列的預測以及數據間的相關關系等。它可以應用到市場營銷的各個方面，如客戶尋求、保持和預防客戶流失活動、產品生命周期分析、銷售趨勢預測及有針對性的促銷活動等。
3、聚類
聚類分析是把一組數據按照相似性和差異性分為幾個類別，其目的是使得屬於同一類別的數據間的相似性盡可能大，不同類別中的數據間的相似性盡可能小。它可以應用到客戶群體的分類、客戶背景分析、客戶購買趨勢預測、市場的細分等。
4、關聯規則
關聯規則是描述資料庫中數據項之間所存在的關系的規則，即根據一個事務中某些項的出現可導出另一些項在同一事務中也出現，即隱藏在數據間的關聯或相互關系。在客戶關系管理中，通過對企業的客戶資料庫里的大量數據進行挖掘，可以從大量的記錄中發現有趣的關聯關系，找出影響市場營銷效果的關鍵因素，為產品定位、定價與定製客戶群，客戶尋求、細分與保持，市場營銷與推銷，營銷風險評估和詐騙預測等決策支持提供參考依據。
5、特徵
特徵分析是從資料庫中的一組數據中提取出關於這些數據的特徵式，這些特徵式表達了該數據集的總體特徵。如營銷人員通過對客戶流失因素的特徵提取，可以得到導致客戶流失的一系列原因和主要特徵，利用這些特徵可以有效地預防客戶的流失。
6、變化和偏差分析
偏差包括很大一類潛在有趣的知識，如分類中的反常實例，模式的例外，觀察結果對期望的偏差等，其目的是尋找觀察結果與參照量之間有意義的差別。在企業危機管理及其預警中，管理者更感興趣的是那些意外規則。意外規則的挖掘可以應用到各種異常信息的發現、分析、識別、評價和預警等方面。
7、Web頁挖掘
隨著Internet的迅速發展及Web 的全球普及， 使得Web上的信息量無比豐富，通過對Web的挖掘，可以利用Web 的海量數據進行分析，收集政治、經濟、政策、科技、金融、各種市場、競爭對手、供求信息、客戶等有關的信息，集中精力分析和處理那些對企業有重大或潛在重大影響的外部環境信息和內部經營信息，並根據分析結果找出企業管理過程中出現的各種問題和可能引起危機的先兆，對這些信息進行分析和處理，以便識別、分析、評價和管理危機。

C. 資料庫查詢出售價最高的銷售總數量怎麼算

假如產品表為 tb ，表中有產品編號欄位， 銷售表為 tb2有仔閉銷售數量欄位念簡裂，他們通過產品id關聯咐盯
如果是求所有銷售數量的總和
select tb.產品編號，svm(銷售數量) as 總銷售數量
from the inner join tb2 on tb.產品id=tb2.產品id

D. 數據挖掘演算法有哪些

統計和可視化要想建立一個好的預言模型，你必須了解自己的數據。最基本的方法是計算各種統計變數（平均值、方差等）和察看數據的分布情況。你也可以用數據透視表察看多維數據。數據的種類可分為連續的，有一個用數字表示的值（比如銷售量）或離散的，分成一個個的類別（如紅、綠、藍）。離散數據可以進一步分為可排序的，數據間可以比較大小（如，高、中、低）和標稱的，不可排序（如郵政編碼）。圖形和可視化工具在數據准備階段尤其重要，它能讓你快速直觀的分析數據，而不是給你枯燥乏味的文本和數字。它不僅讓你看到整個森林，還允許你拉近每一棵樹來察看細節。在圖形模式下人們很容易找到數據中可能存在的模式、關系、異常等，直接看數字則很難。可視化工具的問題是模型可能有很多維或變數，但是我們只能在2維的屏幕或紙上展示它。比如，我們可能要看的是信用風險與年齡、性別、婚姻狀況、參加工作時間的關系。因此，可視化工具必須用比較巧妙的方法在兩維空間內展示n維空間的數據。雖然目前有了一些這樣的工具，但它們都要用戶「訓練」過他們的眼睛後才能理解圖中畫的到底是什麼東西。對於眼睛有色盲或空間感不強的人，在使用這些工具時可能會遇到困難。聚集（分群）聚集是把整個資料庫分成不同的群組。它的目的是要群與群之間差別很明顯，而同一個群之間的數據盡量相似。與分類不同（見後面的預測型數據挖掘），在開始聚集之前你不知道要把數據分成幾組，也不知道怎麼分（依照哪幾個變數）。因此在聚集之後要有一個對業務很熟悉的人來解釋這樣分群的意義。很多情況下一次聚集你得到的分群對你的業務來說可能並不好，這時你需要刪除或增加變數以影響分群的方式，經過幾次反復之後才能最終得到一個理想的結果。神經元網路和K-均值是比較常用的聚集演算法。不要把聚集與分類混淆起來。在分類之前，你已經知道要把數據分成哪幾類，每個類的性質是什麼，聚集則恰恰相反。關聯分析關聯分析是尋找資料庫中值的相關性。兩種常用的技術是關聯規則和序列模式。關聯規則是尋找在同一個事件中出現的不同項的相關性，比如在一次購買活動中所買不同商品的相關性。序列模式與此類似，他尋找的是事件之間時間上的相關性，如對股票漲跌的分析。關聯規則可記為A==>B，A稱為前提和左部（LHS），B稱為後續或右部（RHS）。如關聯規則「買錘子的人也會買釘子」，左部是「買錘子」，右部是「買釘子」。要計算包含某個特鍵岩定項或幾個項的事務在資料庫中出現的概率只要在資料庫中直接統計即可。某一特定關聯（「錘子和釘子」）在資料庫中出現的頻率稱為支持度。比如在總共1000個事務中有15個事務同時包含了「錘子和釘子」，則此關聯的支持度為1.5%。非常低的支持度（比如1百萬個事務中只有一個）可能意味著此關聯不是很重要，或出現了錯誤數據（如，「男性和懷孕」）。要找到有意義的規則，我們還要考察規則中項及其組合出現的相對頻率。當已有A時，B發生的概率是多少？也即概率論中的條件概率。回到我們的例子，也就是問「當一個人已經買了錘子，那他有多大的可能也會買釘子？」這個條件概率在數據挖掘中也稱為可信度，計算方法是求百分比：（A與B同時出現的頻率）/（A出現的頻率）。讓我們用一個例子更詳細的解釋這些概念： 總交易筆數（事務數）：1,000包含「錘子」：50包含「釘子」：80包含「鉗子」：20包含「錘子」和「釘子」：15包含「鉗子」和「釘子」：10包含「錘子」和「鉗子」：10包含「錘子」液亮舉、「鉗子」和「釘子」：5 則可以計算出： 「錘子和釘子」的支持度=1.5%（15/1,000）「錘子、釘子和鉗子」的支持度=0.5%（5/1,000）「錘子==>釘子」的可信度=30%（15/50）「釘子==>錘子」的可信度=19%（15/80）「錘子和釘子==>鉗子」的可信度=33%（5/15）「鉗子==>錘子和鬧碧釘子」的可信度=25%（5/20）

E. 數據挖掘演算法有哪些

問題一：常用的數據挖掘演算法有哪幾類？ 10分 有十大經典演算法： 我是看譚磊的那本書學的。。。
下面是網站給出的答案：
1. C4.5
C4.5演算法是機器學習演算法中的一種分類決策樹演算法,其核心演算法是ID3演算法. C4.5演算法繼承了ID3演算法的優點，並在以下幾方面對ID3演算法進行了改進：
1) 用信息增益率來選擇屬性，克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足；
2) 在樹構造過程中進行剪枝；
3) 能夠完成對連續屬性的離散化處理；
4) 能夠對不完整數據進行處理。
C4.5演算法有如下優點：產生的分類規則易於理解，准確率較高。其缺點是：在構造樹的過程中，需要對數據集進行多次的順序掃描和排序，因而導致演算法的低效。

2. The k-means algorithm 即K-Means演算法
k-means algorithm演算法是一個聚類演算法，把n的對象根據他們的屬性分為k個分割，k >

問題二：數據挖掘中的預測演算法有哪些 數據挖掘（六）：預測
blog.csdn/...977837

問題三：用於數據挖掘的分類演算法有哪些，各有何優劣 樸素貝葉斯(Naive Bayes, NB)
超級簡單，就像做一些數數的工作。如果條件獨立假設成立的話，NB將比鑒別模型（如Logistic回歸）收斂的更快，所以你只需要少量的訓練數據。即使條件獨立假設不成立，NB在實際中仍然表現出驚人的好。如果你想做類似半監督學習，或者是既要模型簡單又要性能好，NB值得嘗試。
Logistic回歸(Logistic Regression, LR)
LR有很多方法來對模型正則化。比起NB的條件獨立性假設，LR不需要考慮樣本是否是相關的。與決策樹與支持向量機（SVM）不同，NB有很好的概率解釋，且很容易利用新的訓練數據來更新模型（使用在線梯度下降法）。如果你想要一些概率信息（如，為了更容易的調整分類閾值，得到分類的不確定性，得到置信區間），或者希望將來有更多數據時能方便的更新改進模型，LR是值得使用的。
決策樹（Decision Tree, DT）
DT容易理解與解釋（對某些人而言――不確定我是否也在他們其中）。DT是非參數的，所以你不需要擔心野點（或離群點）和數據是否線性可分的問題（例如，DT可以輕松的處理這種情況：屬於A類的樣本的特徵x取值往往非常小或者非常大，而屬於B類的樣本的特徵轎伍x取值在中間范圍）。DT的主要缺點是容易過擬合，這也正是隨機森林（Random Forest, RF）（或者Boosted樹）等集成學習演算法被提出來的原因。此外，RF在很多分類問題中經常表現得最好（我個人相信一般比SVM稍好），且速度快可擴展，也不像SVM那樣需要調整大量的參數，所以最近RF是一個非常流行的演算法。
支持向量機（Support Vector Machine, SVM）
很高的分類正確率，對過擬合有很好的理論保證，選取合適的核函數，面對特徵線性不可分的問題也可以表現得很好。SVM在維數通常很高的文本分類中非常的流行。由於較大的內存需求和搏帆瞎繁瑣的調參，我認為RF已經開始威脅其地位了。
回到LR與DT的問題（我更傾向是LR與RF的問題），做個簡單的總結：兩種方法都很快且可擴展。在正確率方面，RF比LR更優。但是LR可以在線更新且提供有用的概率信息。鑒於你在Square(不確定推斷科學家是什麼，應該不是有趣的化身)，可能從事欺詐檢測：如果你想快速的調整閾值來改變假陽性率與假陰性率，分類結果中包含概率信息將很有幫助。無論你選擇什麼演算法，如果你的各類樣本數量是不基空均衡的（在欺詐檢測中經常發生），你需要重新采樣各類數據或者調整你的誤差度量方法來使各類更均衡。

問題四：數據挖掘與演算法是什麼關系？ data mining：數據挖掘一般是指從大量的數據中自動搜索隱藏於其中的有著特殊關系性（屬於Association rule learning）的信息的過程。reference:數據挖掘2.聚類和分類：關於這些，我相信再好的演算法，都會有一定的准確度，我沒有說這些東西不重要。3.如果你的數據量足夠大，舉個例子說明吧，數據挖掘是這樣做的，你要判斷什麼樣的蘋果是甜的，應該這樣做，去超市買蘋果，總結甜蘋果的特徵 A B ，第二次你也去買蘋果，就選具備這些特徵值的。存的的問題有可能買到的蘋果還不是甜的，可能原因是要同時包含特徵C。但是如果你數據量足夠大，足夠大，你要買的蘋果直接能夠找到，一模一樣的蘋果，是不是甜的，都已經知道啦，直接取出來不就好了嗎？前提是數據你想要什麼有什麼。@黃宇恆@肖智博@葛少華@余天升

問題五：數據挖掘的方法有哪些？ 利用數據挖掘進行數據分析常用的方法主要有分類、回歸分析、聚類、關聯規則、特徵、變化和偏差分析、Web頁挖掘等， 它們分別從不同的角度對數據進行挖掘。1、分類分類是找出資料庫中一組數據對象的共同特點並按照分類模式將其劃分為不同的類，其目的是通過分類模型，將資料庫中的數據項映射到某個給定的類別。它可以應用到客戶的分類、客戶的屬性和特徵分析、客戶滿意度分析、客戶的購買趨勢預測等，如一個汽車零售商將客戶按照對汽車的喜好劃分成不同的類，這樣營銷人員就可以將新型汽車的廣告手冊直接郵寄到有這種喜好的客戶手中，從而大大增加了商業機會。2、回歸分析回歸分析方法反映的是事務資料庫中屬性值在時間上的特徵，產生一個將數據項映射到一個實值預測變數的函數，發現變數或屬性間的依賴關系，其主要研究問題包括數據序列的趨勢特徵、數據序列的預測以及數據間的相關關系等。它可以應用到市場營銷的各個方面，如客戶尋求、保持和預防客戶流失活動、產品生命周期分析、銷售趨勢預測及有針對性的促銷活動等。3、聚類聚類分析是把一組數據按照相似性和差異性分為幾個類別，其目的是使得屬於同一類別的數據間的相似性盡可能大，不同類別中的數據間的相似性盡可能小。它可以應用到客戶群體的分丹、客戶背景分析、客戶購買趨勢預測、市場的細分等。4、關聯規則關聯規則是描述資料庫中數據項之間所存在的關系的規則，即根據一個事務中某些項的出現可導出另一些項在同一事務中也出現，即隱藏在數據間的關聯或相互關系。在客戶關系管理中，通過對企業的客戶資料庫里的大量數據進行挖掘，可以從大量的記錄中發現有趣的關聯關系，找出影響市場營銷效果的關鍵因素，為產品定位、定價與定製客戶群，客戶尋求、細分與保持，市場營銷與推銷，營銷風險評估和詐騙預測等決策支持提供參考依據。5、特徵特徵分析是從資料庫中的一組數據中提取出關於這些數據的特徵式，這些特徵式表達了該數據集的總體特徵。如營銷人員通過對客戶流失因素的特徵提取，可以得到導致客戶流失的一系列原因和主要特徵，利用這些特徵可以有效地預防客戶的流失。6、變化和偏差分析偏差包括很大一類潛在有趣的知識，如分類中的反常實例，模式的例外，觀察結果對期望的偏差等，其目的是尋找觀察結果與參照量之間有意義的差別。在企業危機管理及其預警中，管理者更感興趣的是那些意外規則。意外規則的挖掘可以應用到各種異常信息的發現、分析、識別、評價和預警等方面。7、Web頁挖掘隨著Internet的迅速發展及Web 的全球普及， 使得Web上的信息量無比豐富，通過對Web的挖掘，可以利用Web 的海量數據進行分析，收集政治、經濟、政策、科技、金融、各種市場、競爭對手、供求信息、客戶等有關的信息，集中精力分析和處理那些對企業有重大或潛在重大影響的外部環境信息和內部經營信息，並根據分析結果找出企業管理過程中出現的各種問題和可能引起危機的先兆，對這些信息進行分析和處理，以便識別、分析、評價和管理危機。

問題六：數據挖掘中常見的分類方法有哪些 判別分析、規則歸納、決策樹、神經網路、K最近鄰、基於案例的推理、遺傳演算法等等挺多的，這個問題范圍太大了，雲速數據挖掘分類挺多。

問題七：數據挖掘的方法有哪些 利用數據挖掘進行數據分析常用的方法主要有分類、回歸分析、聚類、關聯規則、特徵、變化和偏差分析、Web頁挖掘等， 它們分別從不同的角度對數據進行挖掘。
1、分類
分類是找出資料庫中一組數據對象的共同特點並按照分類模式將其劃分為不同的類，其目的是通過分類模型，將資料庫中的數據項映射到某個給定的類別。它可以應用到客戶的分類、客戶的屬性和特徵分析、客戶滿意度分析、客戶的購買趨勢預測等，如一個汽車零售商將客戶按照對汽車的喜好劃分成不同的類，這樣營銷人員就可以將新型汽車的廣告手冊直接郵寄到有這種喜好的客戶手中，從而大大增加了商業機會。
2、回歸分析
回歸分析方法反映的是事務資料庫中屬性值在時間上的特徵，產生一個將數據項映射到一個實值預測變數的函數，發現變數或屬性間的依賴關系，其主要研究問題包括數據序列的趨勢特徵、數據序列的預測以及數據間的相關關系等。它可以應用到市場營銷的各個方面，如客戶尋求、保持和預防客戶流失活動、產品生命周期分析、銷售趨勢預測及有針對性的促銷活動等。
3、聚類
聚類分析是把一組數據按照相似性和差異性分為幾個類別，其目的是使得屬於同一類別的數據間的相似性盡可能大，不同類別中的數據間的相似性盡可能小。它可以應用到客戶群體的分類、客戶背景分析、客戶購買趨勢預測、市場的細分等。
4、關聯規則
關聯規則是描述資料庫中數據項之間所存在的關系的規則，即根據一個事務中某些項的出現可導出另一些項在同一事務中也出現，即隱藏在數據間的關聯或相互關系。在客戶關系管理中，通過對企業的客戶資料庫里的大量數據進行挖掘，可以從大量的記錄中發現有趣的關聯關系，找出影響市場營銷效果的關鍵因素，為產品定位、定價與定製客戶群，客戶尋求、細分與保持，市場營銷與推銷，營銷風險評估和詐騙預測等決策支持提供參考依據。
5、特徵
特徵分析是從資料庫中的一組數據中提取出關於這些數據的特徵式，這些特徵式表達了該數據集的總體特徵。如營銷人員通過對客戶流失因素的特徵提取，可以得到導致客戶流失的一系列原因和主要特徵，利用這些特徵可以有效地預防客戶的流失。
6、變化和偏差分析
偏差包括很大一類潛在有趣的知識，如分類中的反常實例，模式的例外，觀察結果對期望的偏差等，其目的是尋找觀察結果與參照量之間有意義的差別。在企業危機管理及其預警中，管理者更感興趣的是那些意外規則。意外規則的挖掘可以應用到各種異常信息的發現、分析、識別、評價和預警等方面。
7、Web頁挖掘
隨著Internet的迅速發展及Web 的全球普及， 使得Web上的信息量無比豐富，通過對Web的挖掘，可以利用Web 的海量數據進行分析，收集政治、經濟、政策、科技、金融、各種市場、競爭對手、供求信息、客戶等有關的信息，集中精力分析和處理那些對企業有重大或潛在重大影響的外部環境信息和內部經營信息，並根據分析結果找出企業管理過程中出現的各種問題和可能引起危機的先兆，對這些信息進行分析和處理，以便識別、分析、評價和管理危機。

問題八：用於數據挖掘的分類演算法有哪些，各有何 數據挖掘可以看看【雲速數據挖掘】，全中文界面，只要設置好挖掘的熟悉，什麼信息都能挖掘到

問題九：大數據挖掘常用的方法有哪些 在大數據時代，數據挖掘是最關鍵的工作。大數據的挖掘是從海量、不完全的、有雜訊的、模糊的、隨機的大型資料庫中發現隱含在其中有價值的、潛在有用的信息和知識的過程，也是一種決策支持過程。其主要基於人工智慧，機器學習，模式學習，統計學等。通過對大數據高度自動化地分析，做出歸納性的推理，從中挖掘出潛在的模式，可以幫助企業、商家、用戶調整市場政策、減少風險、理性面對市場，並做出正確的決策。目前，在很多領域尤其是在商業領域如銀行、電信、電商等，數據挖掘可以解決很多問題，包括市場營銷策略制定、背景分析、企業管理危機等。大數據的挖掘常用的方法有分類、回歸分析、聚類、關聯規則、神經網路方法、Web 數據挖掘等。這些方法從不同的角度對數據進行挖掘。
(1)分類。分類是找出資料庫中的一組數據對象的共同特點並按照分類模式將其劃分為不同的類，其目的是通過分類模型，將資料庫中的數據項映射到摸個給定的類別中。可以應用到涉及到應用分類、趨勢預測中，如淘寶商鋪將用戶在一段時間內的購買情況劃分成不同的類，根據情況向用戶推薦關聯類的商品，從而增加商鋪的銷售量。
(2)回歸分析。回歸分析反映了資料庫中數據的屬性值的特性，通過函數表達數據映射的關系來發現屬性值之間的依賴關系。它可以應用到對數據序列的預測及相關關系的研究中去。在市場營銷中，回歸分析可以被應用到各個方面。如通過對本季度銷售的回歸分析，對下一季度的銷售趨勢作出預測並做出針對性的營銷改變。
(3)聚類。聚類類似於分類，但與分類的目的不同，是針對數據的相似性和差異性將一組數據分為幾個類別。屬於同一類別的數據間的相似性很大，但不同類別之間數據的相似性很小，跨類的數據關聯性很低。
(4)關聯規則。關聯規則是隱藏在數據項之間的關聯或相互關系，即可以根據一個數據項的出現推導出其他數據項的出現。關聯規則的挖掘過程主要包括兩個階段：第一階段為從海量原始數據中找出所有的高頻項目組;第二極端為從這些高頻項目組產生關聯規則。關聯規則挖掘技術已經被廣泛應用於金融行業企業中用以預測客戶的需求，各銀行在自己的ATM 機上通過捆綁客戶可能感興趣的信息供用戶了解並獲取相應信息來改善自身的營銷。
(5)神經網路方法。神經網路作為一種先進的人工智慧技術，因其自身自行處理、分布存儲和高度容錯等特性非常適合處理非線性的以及那些以模糊、不完整、不嚴密的知識或數據為特徵的處理問題，它的這一特點十分適合解決數據挖掘的問題。典型的神經網路模型主要分為三大類：第一類是以用於分類預測和模式識別的前饋式神經網路模型，其主要代表為函數型網路、感知機;第二類是用於聯想記憶和優化演算法的反饋式神經網路模型，以Hopfield 的離散模型和連續模型為代表。第三類是用於聚類的自組織映射方法，以ART 模型為代表。雖然神經網路有多種模型及演算法，但在特定領域的數據挖掘中使用何種模型及演算法並沒有統一的規則，而且人們很難理解網路的學習及決策過程。
(6)Web數據挖掘。Web數據挖掘是一項綜合性技術，指Web 從文檔結構和使用的 *** C 中發現隱含的模式P，如果將C看做是輸入，P 看做是輸出，那麼Web 挖掘過程就可以看做是從輸入到輸出的一個映射過程。
當前越來越多的Web 數據都是以數據流的形式出現的，因此對Web 數據流挖掘就具有很重要的意義。目前常用的Web數據挖掘演算法有：PageRank演算法，HITS演算法以及LOGSOM 演算法。這三種演算法提到的用戶都是籠統的用戶，並沒有區分用戶的個體。目前Web 數據挖掘面臨著一些問題，包括：用戶的分類問題、網站內容時效性問題，用戶在頁面......>>

F. 名詞解釋數據規范化

數據規范化名詞解釋
數據在應用過程中相對比較繁雜。為了能夠更好的應用數據，並以需要進行格式化的排列，以備不時之需。簡稱數據規范化。

數據規范化處理是數據挖掘的一項基本操作。現實中，數據中不同特徵的量綱可能不一致，數值間的差別可能很大，不進行處理可能會影響到數據分析的結果，因此，需要對數據按照一定比例進行縮放，使之落在一個特定的區域，便於進行綜合分析。

特別是基於距離的挖掘方法，在建模前一定要對數據進行規范化處理，如SVM,KNN,K-means，聚類等方法。

(6)svm資料庫擴展閱讀：

數據規范化的幾種方法：

在數據分析之前，都需要讓數據滿足一定的規律，達到規范性的要求，便於進行挖掘。

如果不進行變換的話，要不就是維數過多增加了計算成本，要不就是數據過於集中，很難找到數據之間的特徵。

在數據變換中，重點是如何將數值進行規范化，有三種常用的規范方法，分別是Min-Max規范化、Z-Score規范化、小數定標規范化。

1.Min-max規范化：

將原始數據投射到指定的空間[min,max]。可用公式表示為：

新數值 = （原數值-極小值）/ （極大值 - 極小值） 。

SciKit-Learn中的MinMaxScaler可以完成這個功能。

2.Z-Score規范化：

將原始數據轉換為正態分布的形式，使結果易於比較。可用公式表示為：

新數值 = （原數值 - 均值）/ 標准差。

在SciKit-Learn中的preprocessing.scale（)可以直接將給定數據進行Z-Score規范化。

3.小數定標規范化：

通過移動小數點的位置來進行規范化。小數點移動的位數取決於該屬性數據取值的最大絕對值。

例如：屬性A的取值范圍是-800到70，那麼就可以將數據的小數點整體向左移三位即[-0.8,0.07]。

參考資料來源：網路-數據標准化
資料庫 名詞解釋
定義1

嚴格地說，資料庫是「按照數據結構來組織、存儲和管理數據的倉庫」。在經濟管理的日常工作中，常常需要把某些相關的數據放進這樣的「倉庫」，並根據管理的需要進行相應的處理。例如，企業或事業單位的人事部門常常要把本單位職工的基本情況（職工號、姓名、年齡、性別、籍貫、工資、簡歷等）存放在表中，這張表就可以看成是一個資料庫。有了這個"數據倉庫"我們就可以根據需要隨時查詢某職工的基本情況，也可以查詢工資在某個范圍內的職工人數等等。這些工作如果都能在計算機上自動進行，那我們的人事管理就可以達到極高的水平。此外，在財務管理、倉庫管理、生產管理中也需要建核敗悶立眾多的這種"資料庫"，使其可以利用計算機實現財務、倉庫、生產的自動化管理。 J.Martin給資料庫下了一個比較完整的定義：資料庫是存儲在一起的相關數據的 *** ，這些數據是結構化的，無有害的或不必要的冗餘，並為多種應用服務；數據的存儲獨立於使用它的程序；對資料庫插入新數據，修改和檢索原有數據均能按一種公用的和可控制的方式進行。當某個系統中存在結構上完全分開的若干個資料庫時，則該系統包含一個「資料庫 *** 」。

定義2

資料庫是依照某種數據模型組織起來並存放二級存儲器中的數據 *** 。這種數據 *** 具有如下特點：盡可能不重復，以最優方式為某個特定組織的多種應用服務，其數據結構獨立於使用它的應用程序，對數據的增、刪、改和檢索由統一軟體進行管理和控制。從發展的歷史看，資料庫是數據管理的高級階段，它是由文件管理系統發展起來的。

定義3

（伯爾尼公約議定書專家委員會的觀點） 所有的信息（數據率檔）的編纂物，不論其是以印刷形式，計算機存儲單元形式，還是其它形式存在，都應視為「資料庫」。 數字化內容選擇的原因有很多，概括起來主要有： （1）存儲空間的原因。數字化的產品是通過網路被廣大用戶存取利用，而大家都知道數字化產品是存放在磁碟陣列上的，磁碟陣列由伺服器來管理，磁碟空間是有限的，伺服器的能力也是有限的，不可能無 *** 地存入數字資源，這就需要我們對文獻資源數字化內容進行選擇。 （2）解決數字化生產高成本和圖書館經費有限性之間矛盾的需要。幾乎沒有圖書館有充枯搜足的資源來對整個館藏進行數字化，內容選擇不可避免。 （3）數字資源管理的需要。技術的快速發展使數字化項目所生成的數改彎字資源的生命周期越來越短，投入巨資進行數字遷移是延長數字資源生命的1個重要途徑，昂貴的維護成本就必須考慮數字化的內容選擇。 資料庫發展史資料庫技術從誕生到現在，在不到半個世紀的時間里，形成了堅實的理論基礎、成熟的商業產品和廣泛的應用領域，吸引越來越多的研究者加入。資料庫的誕生和發展給計算機信息管理帶來了一場巨大的革命。三十多年來，國內外已經開發建設了成千上萬個資料庫，它已成為企業、部門乃至個人日常工作、生產和生活的基礎設施。同時，隨著應用的擴展與深入，資料庫的數量和規模越來越大，資料庫的研究領域也已經大大地拓廣和深化了。30年間資料庫領域獲得了三次計算機圖靈獎（C.W. Bachman,E.F.Codd, J.Gray），更加充分地說明了資料庫是一個充滿活力和創新精神的領域。就讓我們沿著歷史的軌跡，追溯一下資料庫的發展歷程。 傳統上，為了確保企業持續擴大的IT系統穩定運行，一般用戶信息中心往往不僅要不斷更新更大容量的IT運維軟硬體設備，極大浪費企業資源；更要長期維持一支由資料庫維護、伺服器維護、機房值班等各種維護人員組成的運維大軍，維護成本也隨之節節高升。為此，企業IT決策者開始思考：能不能像擰水龍頭一樣按需調節的使用IT運維服務？而不是不斷增加已經價格不菲的運維成本。

定義4

資料庫（DataBase,DB）是一個長期存儲在計算機內的、有組織的、有共享的、統一管理的數據 *** 。她是一個按數據結構來存儲和管理數據的計算機軟體系統。資料庫的概念實際包括兩層意思： （1）資料庫是一個實體，它是能夠合理保管數據的「倉庫」，用戶在該「倉庫」中存放要管理的事務數據，「數據」和「庫」兩個概念結合成為資料庫。 （2）資料庫是數據管理的新方法和技術，他能更合適的組織數據、更方便的維護數據、更嚴密的控制數據和更有效的利用數據。
數據規范化名詞解釋
數據在應用過程中相對比較繁雜。

為了能夠更好的應用數據，並以需要進行格式化的排列，以備不時之需。簡稱數據規范化。

數據規范化處理是數據挖掘的一項基本操作。現實中，數據中不同特徵的量綱可能不一致，數值間的差別可能很大，不進行處理可能會影響到數據分析的結果，因此，需要對數據按照一定比例進行縮放，使之落在一個特定的區域，便於進行綜合分析。

特別是基於距離的挖掘方法，在建模前一定要對數據進行規范化處理，如SVM,KNN,K-means，聚類等方法。 (6)svm資料庫擴展閱讀： 數據規范化的幾種方法： 在數據分析之前，都需要讓數據滿足一定的規律，達到規范性的要求，便於進行挖掘。

如果不進行變換的話，要不就是維數過多增加了計算成本，要不就是數據過於集中，很難找到數據之間的特徵。 在數據變換中，重點是如何將數值進行規范化，有三種常用的規范方法，分別是Min-Max規范化、Z-Score規范化、小數定標規范化。

1.Min-max規范化： 將原始數據投射到指定的空間[min,max]。可用公式表示為： 新數值 = （原數值-極小值）/ （極大值 - 極小值） 。

SciKit-Learn中的MinMaxScaler可以完成這個功能。 2.Z-Score規范化： 將原始數據轉換為正態分布的形式，使結果易於比較。

可用公式表示為： 新數值 = （原數值 - 均值）/ 標准差。 在SciKit-Learn中的preprocessing.scale（)可以直接將給定數據進行Z-Score規范化。

3.小數定標規范化： 通過移動小數點的位置來進行規范化。小數點移動的位數取決於該屬性數據取值的最大絕對值。

例如：屬性A的取值范圍是-800到70，那麼就可以將數據的小數點整體向左移三位即[-0.8,0.07]。 參考資料來源：網路-數據標准化 。
名詞解釋：規范化
「規范化」的定義是：「在經濟、技術和科學及管理等社會實踐中，對重復性事物和概念，通過制定、發布和實施標准（規范、規程和制度等）達到統一，以獲得最佳秩序和社會效益」。

數據規范化是將原來的度量值轉換為無量綱的值。通過將屬性數據按比例縮放，通過一個函數將給定屬性的整個值域映射到一個新的值域中，即每個舊的值都被一個新的值替代。

(6)svm資料庫擴展閱讀：

企業規范化管理所尋求的效果標准：「八零」境界決策制定零失誤、產品質量零次品、產品客戶零遺憾、經營管理零庫存、資源管理零浪費、組織結構零中間層、商務合作夥伴零抱怨、競爭對手零指責。

企業規范化管理，也需要制度化，也需要標准化，但它的重點在於為企業構建一個具有自我免疫、自動修復的機能。也就是說，使企業組織形成一種內在的自我免疫功能，能自動適應外部環境的變化，能抵禦外部力量的侵害。並且當企業組織在發展過程中遭遇外部創傷後，能自動地修復癒合，使企業實現持續穩定的發展。

參考資料來源：搜狗網路-規范化
名詞解釋：規范化
「規范化」的定義是：「在經濟、技術和科學及管理等社會實踐中，對重復性事物和概念，通過制定、發布和實施標准（規范、規程和制度等）達到統一，以獲得最佳秩序和社會效益」。

數據規范化是將原來的度量值轉換為無量綱的值。通過將屬性數據按比例縮放，通過一個函數將給定屬性的整個值域映射到一個新的值域中，即每個舊的值都被一個新的值替代。

(6)svm資料庫擴展閱讀： 企業規范化管理所尋求的效果標准：「八零」境界決策制定零失誤、產品質量零次品、產品客戶零遺憾、經營管理零庫存、資源管理零浪費、組織結構零中間層、商務合作夥伴零抱怨、競爭對手零指責。 企業規范化管理，也需要制度化，也需要標准化，但它的重點在於為企業構建一個具有自我免疫、自動修復的機能。

也就是說，使企業組織形成一種內在的自我免疫功能，能自動適應外部環境的變化，能抵禦外部力量的侵害。並且當企業組織在發展過程中遭遇外部創傷後，能自動地修復癒合，使企業實現持續穩定的發展。

參考資料來源：網路-規范化。
標准化管理名詞解釋？
標准化管理是指符合外部標准（法律、法規或其它相關規則）和內部標准（企業所倡導的文化理念）為基礎的管理體系

標准化管理的職能[1]

標准化管理工作的作用與功能。它主要是對制定、修訂和貫徹實施標准等整個標准化活動進行計劃、組織，指揮、協調和監督，以保證標准化任務的完成。這5個職能相互聯系和制約，共同構成一個有機整體。通過計劃，確定標准化活動的目標；通過組織，建立實現目標的手段；通過指揮，建立正常的工作秩序；通過監督，檢查計劃實施的情況，糾正偏差；通過協調，使各方面工作和諧地發展。

一、標准化管理的指揮職能

標准化管理工作的職能之—。主要是對標准化系統內部各級和各類人員的領導或指導，其目的是保證國家和各級的標准化活動按照國家統—-計劃的要求，相互配合、步調—致，和諧地向前發展。

二、標准化管理的組織職能

標准化管理工作的職能之—。主要是對人們的標准化活動進行科學地分工和協調，合理地分配與使用國家的標准化投資，正確處理標准化部門、標准化人員的相互關系，其目的是將標准化活動的各要素、各部門、各環節合理地組織起來，形成一個有機整體，建立起標准化工作的正常秩序。

三、標准化管理的計劃職能

標准化管理工作的職能之一。主要是對標准化事業的發展進行全面考慮，綜合平衡和統籌安排，其目的是把宏觀標准化工作和微觀標准化工作結合起來，正確地把握未來，使標准化事業能在變化的環境中持續穩定地發展，動員全體標准化人員及有關人員為實現標准化的發展目標而努力。

四、標准化管理的監督職能

標准化管理工作的職能之—。主要是按照既定的目標和標准，對標准化活動進行監督、檢查，發現偏差，及時採取糾正措施，目的是保證標准化工作按計劃順利進行，最終達到預期目標。使其成果同預期的目標相—致，使標准化的計劃任務和目標轉化為現實。

五、標准化管理的協調職能

標准化管理的工作職能之一。主要是協調標准化系統內部各單位、各環節的工作和各項標准化活動，使它們之間建立起良好的配合關系，有效地實現國家標准化的計劃與目標。
名詞解釋：定量管理法
績效定量管理法是在過去技術工作大量的數據積累的基礎上，採用專家模糊評價和標准實測專家評定、雙向協商確定等方法進行確定和逐步改進的。

績效定量管理法主要考核以下內容： 1、工作業績 工作業績考核是指對每個員工在本職工作中完成任務所取得的成績、成果進行測評的過程。這個評價過程不僅要說明各級員工的工作完成情況，還要通過評價結果指導員工有計劃地改進工作，以達到企業發展的目的。

業績考核主要從數量、質量和效率三個方面對員工的工作業績進行評價，具體表現為完成工作的數量指標、質量指標以及工作效率指標。 績效定量管理法通過技術工作量化標准和工作崗位分配，以及對工作質量、工作效果的綜合評價，通過二次分配平衡，實現對工作業績的綜合考核。

2、工作能力 工作能力考核是對具體工作所需要的基本能力以及經驗性能力進行測評的過程。它包括和工作相關的常識和專業知識；工作所需要的技術、技能和技巧；工作中表現出來的理解力、判斷力、創造力等經驗性能力；特殊工作所要求的體力。

同業績相比，能力是內在的，不容易衡量和比較，因此，能力有時並不能通過直接的能力測試來考核，而是需要通過人們的感知察覺來作出判斷。 績效定量管理法通過長期工作量化考核和工作效果、工作質量的綜合評定，藉助專家模糊評價，進行工作崗位的確認和變動，從崗位的差別和任務的分配體現能力的確認，同時鼓勵技術人員主動承擔責任，培養、提升技術人員的能力。

3、工作態度 工作態度考核是指對工作熱情和工作積極性方面所進行的考評。現實中，工作態度往往影響著員工的工作業績和能力。

通過對態度的評價，可以鼓勵員工發揮工作熱情、提高工作積極性，從而達到提高績效的目的。 績效定量管理法對態度的考核，基於一定的程序和多角度調查反饋對技術人員的態度進行考核、指導、溝通的多角度管理。

4、潛力 潛力的發揮主要受四個方面的影響：相應的工作機會、合理的工作設計和分配、正確的上級指導或命令、必要的開發。通過潛力評價，可以為工作輪換、升遷等各種人事決策提供依據。

績效定量管理法採用了三類評價方法：相對評價法、絕對評價法和描述法。 1、相對評價法 1）序列比較法 序列比較法是對按員工工作成績的好壞進行排序考核的一種方法。

在考核之前，首先要確定考核的模塊，但是不確定要達到的工作標准。將相同職務的所有員工在同一考核模塊中進行比較，根據他們的工作狀況排列順序，工作較好的排名在前，工作較差的排名在後。

最後，將每位員工幾個模塊的排序數字相加，就是該員工的考核結果。總數越小，績效考核成績越好。

2）相對比較法 相對比較法是對員工進行兩兩比較，任何兩位員工都要進行一次比較。兩名員工比較之後，相對較好的員工記「1」，相對較差的員工記「0」。

所有的員工相互比較完畢後，將每個人的得分相加，總分越高，績效考核的成績越好。 3）強制比例法 強制比例法是指根據被考核者的業績，將被考核者按一定的比例分為幾類（最好、較好、中等、較差、最差）進行考核的方法。

2、絕對評價法 1）目標管理法 目標管理是通過將組織的整體目標逐級分解直至個人目標，最後根據被考核人完成工作目標的情況來進行考核的一種績效考核方式。在開始工作之前，考核人和被考核人應該對需要完成的工作內容、時間期限、考核的標准達成一致。

在時間期限結束時，考核人根據被考核人的工作狀況及原先制定的考核標准來進行考核。 2）關鍵績效指標法 關鍵績效指標法是以企業年度目標為依據，通過對員工工作績效特徵的分析，據此確定反映企業、部門和員工個人一定期限內綜合業績的關鍵性量化指標，並以此為基礎進行績效考核。

3）等級評估法 等級評估法根據工作分析，將被考核崗位的工作內容劃分為相互獨立的幾個模塊，在每個模塊中用明確的語言描述完成該模塊工作需要達到的工作標准。同時，將標准分為幾個等級選項，如「優、良、合格、不合格」等，考核人根據被考核人的實際工作表現，對每個模塊的完成情況進行評估。

總成績便為該員工的考核成績。 4）平衡記分卡 平衡記分卡從企業的財務、顧客、內部業務過程、學習和成長四個角度進行評價，並根據戰略的要求給予各指標不同的權重，實現對企業的綜合測評，從而使得管理者能整體把握和控制企業，最終實現企業的戰略目標。

3、描述法 1）全視角考核法 全視角考核法，即上級、同事、下屬、自己和顧客對被考核者進行考核的一種考核方法。通過這種多維度的評價，綜合不同評價者的意見，則可以得出一個全面、公正的評價。

2）重要事件法 重要事件是指考核人在平時注意收集被考核人的「重要事件」，這里的「重要事件」是指那些會對部門的整體工作績效產生積極或消極的重要影響的事件，對這些表現要形成書面記錄，根據這些書面記錄進行整理和分析，最終形成考核結果。 績效定量管理法正是在不同的時期和不同的工作狀況下，通過對數據的科學處理，及時、准確地考核，協調落實收入、能力、分配關系。

績效指標的制定以企業戰略為出發點，與組織結構相適應，全面反映工。

G. 數據挖掘演算法的演算法分類

C4.5就是一個決策樹演算法，它是決策樹（決策樹也就是做決策的節點間像一棵樹一樣的組織方式，其實是一個倒樹）核心演算法ID3的改進演算法，所以基本上了解了一半決策樹構造方法就能構造它。決策樹構造方法其實就是每次選擇一個好的特徵以及分裂點作為當前節點的分類條件。C4.5比ID3改進的地方時：
ID3選擇屬性用的是子樹的信息增益（這里可以用很多方法來定義信息，ID3使用的是熵（entropy）（熵是一種不純度度量准則）），也就是熵的變化值，而C4.5用的是信息增益率。也就是多了個率嘛。一般來說率就是用來取平衡用的，就像方差起的作用差不多，比如有兩個跑步的人，一個起點是100m/s的人、其1s後為110m/s；另一個人起速是1m/s、其1s後為11m/s。如果僅算差值那麼兩個就是一樣的了；但如果使用速度增加率（加速度）來衡量，2個人差距就很大了。在這里，其克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足。在樹構造過程中進行剪枝，我在構造決策樹的時候好討厭那些掛著幾個元素的節點。對於這種節點，乾脆不考慮最好，不然很容易導致overfitting。對非離散數據都能處理，這個其實就是一個個式，看對於連續型的值在哪裡分裂好。也就是把連續性的數據轉化為離散的值讓頃進行處理。能夠對不完整數據進行處理，這個重要也重要，其實也沒那麼重要，缺失數據採用一些方法補上去就是了。 (樸素貝葉斯NB)
NB認為各個特徵是獨立的，誰也不關誰的事。所以一個樣本（特徵值的集合，比如「數據結構」出現2次，「文件」出現1次），可以通過對其所有出現特徵在給定類別的概率相乘。比如「數據結構」出現在類1的概率為0.5，「文件」出現在類1的概率為0.3，則可認為其屬於類1的概率為0.5*0.5*0.3。 (支持向量機SVM)
SVM就是想找一個分類得最」好」的分類線/分類面（最近的一些兩類樣本到這個」線」的距離最遠）。這個沒具體實現過，上次聽課，那位老師自稱自己實現了SVM，敬佩其鑽研精神。常用的工具包是LibSVM、SVMLight、MySVM。 (Mining frequent patterns without candidate generation)
這個也不太清楚。FP-growth演算法(Frequent Pattern-growth)使用派早了一種緊縮的數據結構來存儲查找頻繁項集所需要的全部信息。採用演算法：將提供頻繁項集的資料庫壓縮到一棵FP-tree來保留項集關聯信息，然後將壓縮後的資料庫分成一組條件資料庫（一種特殊類型的投影資料庫），每個條件資料庫關聯一個頻繁項集。 K-Means是一種最經典也是使用最廣泛的聚類方法，時至今日扔然有很多基於其的改進模型提出。K-Means的思想很簡單，對於一個聚類任務（你需要指明聚成幾個類，當然按照自然想法來說不應該需要指明類數，這個問題也是當前聚類任務的一個值得研究的課題），首先隨機選擇K個簇中心，然後反復計算下面的過程直到所有簇中心不改變（簇集合不改變）為止：步驟1：對於每個對象，計算其與每個簇中心的相似度，把其歸入與其最相似的那個簇中。
步驟2：更新簇中心，新的簇中心通過計算所有屬於該簇的對象的平均值得到。
k-means 演算法的工作過程說明如下：首先從n個數據對象任意選擇k 個對象作為初始聚類中心；而對於所剩下其它對象，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然後再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標准測度函數開始收斂為止。一般都採用均方差作為標准測度函數. k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。 BIRCH也是一種聚類演算法，其全稱是Balanced Iterative Recing and Clustering using Hierarchies。BIRCH也是只是看了理論沒具體實現過。是一個綜合的層次聚類特徵(Clustering Feature, CF)和聚類特徵樹(CF Tree)兩個概念，用於塵滑雀概括聚類描述。聚類特徵樹概括了聚類的有用信息，並且佔用空間較元數據集合小得多，可以存放在內存中，從而可以提高演算法在大型數據集合上的聚類速度及可伸縮性。
BIRCH演算法包括以下兩個階段：
1）掃描資料庫，建立動態的一棵存放在內存的CF Tree。如果內存不夠，則增大閾值，在原樹基礎上構造一棵較小的樹。
2）對葉節點進一步利用一個全局性的聚類演算法，改進聚類質量。
由於CF Tree的葉節點代表的聚類可能不是自然的聚類結果，原因是給定的閾值限制了簇的大小，並且數據的輸入順序也會影響到聚類結果。因此需要對葉節點進一步利用一個全局性的聚類演算法，改進聚類質量。 AdaBoost做分類的一般知道，它是一種boosting方法。這個不能說是一種演算法，應該是一種方法，因為它可以建立在任何一種分類演算法上，可以是決策樹，NB，SVM等。
Adaboost是一種迭代演算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然後把這些弱分類器集合起來，構成一個更強的最終分類器(強分類器)。其演算法本身是通過改變數據分布來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的准確率，來確定每個樣本的權值。將修改過權值的新數據集送給下層分類器進行訓練，最後將每次訓練得到的分類器最後融合起來，作為最後的決策分類器。使用adaboost分類器可以排除一些不必要的訓練數據，並將關鍵放在關鍵的訓練數據上面。 GSP，全稱為Generalized Sequential Pattern(廣義序貫模式)，是一種序列挖掘演算法。對於序列挖掘沒有仔細看過，應該是基於關聯規則的吧！網上是這樣說的：
GSP類似於Apriori演算法，採用冗餘候選模式的剪除策略和特殊的數據結構-----哈希樹來實現候選模式的快速訪存。
GSP演算法描述:
1）掃描序列資料庫，得到長度為1的序列模式L1，作為初始的種子集。
2）根據長度為i 的種子集Li ，通過連接操作和修剪操作生成長度為i+1的候選序列模式Ci+1；然後掃描序列資料庫，計算每個候選序列模式的支持度，產生長度為i+1的序列模式Li+1，並將Li+1作為新的種子集。
3）重復第二步，直到沒有新的序列模式或新的候選序列模式產生為止。
產生候選序列模式主要分兩步：
連接階段：如果去掉序列模式s1的第一個項目與去掉序列模式s2的最後一個項目所得到的序列相同，則可以將s1與s2進行連接，即將s2的最後一個項目添加到s1中。
修切階段：若某候選序列模式的某個子序列不是序列模式，則此候選序列模式不可能是序列模式，將它從候選序列模式中刪除。
候選序列模式的支持度計算：對於給定的候選序列模式集合C，掃描序列資料庫，對於其中的每一條序列s,找出集合C中被s所包含的所有候選序列模式，並增加其支持度計數。 又是一個類似Apriori的序列挖掘。
其中經典十大演算法為：C4.5，K-Means，SVM，Apriori，EM，PageRank，AdaBoost，KNN，NB和CART。