Data mining é o processo de análise e síntese dos dados de diferentes perspectivas . Ele se esforça para definir padrões de dados e relacionamentos através de grandes quantidades de informação utilizando algoritmos --- conjuntos de regras que resolvem um problema sobre uma série de medidas concretas ( acho que o algoritmo de Euclides em álgebra , que encontra maior divisor comum de dois números " ) . A Conferência Internacional de 2006 IEEE em Data Mining classificou os 10 melhores algoritmos no campo. Árvores de Decisão

algoritmos decisão árvores visam organizar dados sobre escolhas concorrentes em ramos de influência após uma decisão inicial . O tronco da árvore representa a decisão inicial , e começa com um sim ou não pergunta, como se deve ou não tomar café da manhã . Comer o pequeno almoço e não comer o pequeno almoço seriam os dois primeiros ramos divergentes da árvore, e cada escolha , posteriormente, teria seus próprios ramos divergentes que conduz a um ponto final.
O algoritmo K-Means < br >

O algoritmo K-means é baseado na análise de cluster. Destina-se a quebrar os dados coletados em "clusters" distintos agrupados por características como .

Support Vector Machines

Support Vector Machine algoritmos levar os dados de entrada e de prever qual das duas categorias possíveis , que incluem os dados de entrada . Um exemplo seria reunir os códigos postais de um grupo de eleitores e tentar prever se um eleitor dar é um democrata ou republicano.
O algoritmo Apriori

O Apriori algoritmo normalmente acompanha os dados da transação . Por exemplo, em uma loja de roupas , o algoritmo pode controlar quais camisas clientes normalmente compra em conjunto.
O algoritmo EM

Este algoritmo define parâmetros por meio da análise de dados e prevê a probabilidade de um resultado futuro evento ou aleatória dentro dos parâmetros de dados . Por exemplo, o algoritmo EM poderia tentar prever o tempo da próxima erupção de um gêiser com base nos dados de tempo de erupções passadas.
PageRank Algoritmo

O PageRank algoritmo é um algoritmo de base para os motores de busca . Ele classifica e avalia a relevância de uma única peça de dados dentro de um conjunto maior de dados, como um único site dentro do maior conjunto de todos os sites na Internet.
AdaBoost Algoritmo
< br >

O algoritmo AdaBoost funciona dentro de outros algoritmos de aprendizagem que antecipam o comportamento com base em dados observados para torná-los mais sensíveis a outliers estatísticos. Embora o algoritmo EM pode ser distorcida por um gêiser ter duas erupções em menos de um minuto, quando ele normalmente entra em erupção uma vez por dia , o algoritmo AdaBoost iria ajustar a saída do algoritmo EM , analisando a relevância do outlier .

K -Nearest Neighbor Algorithm

Este algoritmo reconhece padrões de localização de dados e associados que os dados com um identificador maior. Por exemplo, se você quiser atribuir uma estação de correios a localização geográfica de cada casa e teve o conjunto de dados de localização geográfica de cada casa , o algoritmo k-vizinhos mais próximo seria atribuir as casas para os correios mais próxima com base em sua proximidade um do outro .
Naive Baye

O Naive Bayes algoritmo prevê um resultado de identidade baseado em dados de observações conhecidas . Por exemplo, se uma pessoa é g pés seis polegadas de altura e veste tamanho 14 sapatos , o algoritmo Naive Bayes poderia prever com uma certa probabilidade de que a pessoa é um homem.
CART Algoritmo

" carrinho " está para análise " Classificação e Regressiva Tree" . Como a análise da árvore de decisão, que organiza os dados com base em escolhas concorrentes, como se uma pessoa sobreviveu a um terremoto ? Ao contrário de algoritmos de árvore de decisão, o que só pode classificar um resultado ou dar um resultado numérico com base em regressão , o algoritmo CART pode usar tanto para prever a probabilidade de um evento.