算法中的一个分类决议计划树算法，它是决议计划树(决议计划树也便是做决议计划的节点间的安排办法像一棵树，其实是一个倒树)中心算法ID3的改善算法，所以根本上了解了一半决议计划树结构办法就能结构它。决议计划树结构办法其实便是每次挑选一个好的特征以及分裂点作为当时节点的分类条件。

　　k-means algorithm算法是一个聚类算法，把n的方针依据他们的特点分为k个切割(k n)。它与处理混合正态散布的最大希望算法很类似，由于他们都企图找到数据中天然聚类的中心。它假定方针特点来自于空间向量，而且方针是使各个群组内部的均方差错总和最小。

　　支撑向量机，英文为Support Vector Machine，简称SV机。它是一种监督式学习的办法，它广泛的运用于核算分类以及回归剖析中。支撑向量机将向量映射到一个更高维的空间里，在这个空间里树立有一个最大间隔超平面。在分隔数据的超平面的两头建有两个彼此平行的超平面，分隔超平面使两个平行超平面的间隔最大化。

　　其间心是依据两阶段频集思维的递推算法。该相关规矩在分类上归于单维、单层、布尔相关规矩。在这里，一切支撑度大于最小支撑度的项集称为频频项集，简称频集。

　　在核算核算中，最大希望 （EM，Expectation–Maximization）算法是在概率（probabilistic）模型中寻觅参数最大似然估量的算法，其间概率模型依赖于无法观测的躲藏变量（Latent Variabl）。最大希望常常用在机器学习和核算机视觉的数据集聚（Data Clustering）范畴。

　　PageRank是Google算法的重要内容。2001年9月被颁发美国专利，专利人是Google创始人之一拉里•佩奇（Larry Page）。因而，PageRank里的page不是指网页，而是指佩奇，即这个等级办法是以佩奇来命名的。PageRank依据网站的外部链接和内部链接的数量和质量，衡量网站的价值。PageRank背面的概念是，每个到页面的链接都是对该页面的一次投票， 被链接的越多，就意味着被其他网站投票越多。

　　Adaboost是一种迭代算法，其间心思维是针对同一个练习集练习不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的终究分类器 (强分类器)。其算法自身是经过改动数据散布来完成的，它依据每次练习集之中每个样本的分类是否正确，以及前次的整体分类的准确率，来确认每个样本的权值。将修改正权值的新数据集送给基层分类器进行练习，最终将每次练习得到的分类器交融起来，作为最终的决议计区分类器。

　　K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较老练的办法，也是最简略的机器学习算法之一。该办法的思路是：假如一个样本在特征空间中的k个最类似(即特征空间中最附近)的样本中的大多数归于某一个类别，则该样本也归于这个类别。

　　朴素贝叶斯模型发源于古典数学理论，有着坚实的数学根底，以及安稳的分类功率。一起，NBC模型所需估量的参数很少，对缺失数据不太灵敏，算法也比较简略。理论上，NBC模型与其他分类办法比较具有最小的差错率。

　　可是实践上并非总是如此，这是由于NBC模型假定特点之间彼此独立，这个假定在实践运用中往往是不成立的，这给NBC模型的正确分类带来了必定影响。在特点个数比较多或许特点之间相关性较大时，NBC模型的分类功率比不上决议计划树模型。而在特点相关性较小时，NBC模型的功用最为杰出。

　　CART, Classification and Regression Trees。 在分类树下面有两个要害的思维：第一个是关于递归地区分自变量空间的主意；第二个主意是用验证数据进行剪枝。

　　（Smartbi Mining）是用于猜测性剖析的独立产品，旨在为企业所做的决议计划供给猜测性智能。该渠道不只可为用户供给直观的流式建模、拖拽式操作和流程化、可视化的建模界面，还供给了很多的数据预处理操作。此外，它内置了多种有用的、经典的机器学习算法，这些算法装备简略降低了机器学习的运用门槛，大大节省了企业本钱，并支撑规范的PMML模型输出，能够将模型发送到Smartbi一致渠道，与商业智能渠道完成了完美整合。

　　Smartbi Mining数据发掘渠道支撑多种高效有用的机器学习算法，包含了分类、回归、聚类、猜测、相关，5大类机器学习的老练算法。其间包含了多种可练习的模型：逻辑回归、决议计划树、随机森林、朴素贝叶斯、支撑向量机、线性回归、K均值、DBSCAN、高斯混合模型。除供给首要算法和建模功用外，Smartbi Mining数据发掘渠道还供给了必不可少的

　　功用，包含字段拆分、行过滤与映射、列挑选、随机采样、过滤空值、合并排、合并行、JOIN、行挑选、去除重复值、排序、添加序列号、添加核算字段等。请求试用